Question

我试图使用花哨的索引尽快从大型numpy数组中获取切片。我很乐意回复一个观点，但advanced indexing returns a copy。

到目前为止，我已经尝试过here和here的解决方案。

玩具数据：

data = np.random.randn(int(1e6), 50)
keep = np.random.rand(len(data))>0.5

使用默认方法：

%timeit data[keep] 
10 loops, best of 3: 86.5 ms per loop

Numpy take：

%timeit data.take(np.where(keep)[0], axis=0)
%timeit np.take(data, np.where(keep)[0], axis=0)
10 loops, best of 3: 83.1 ms per loop
10 loops, best of 3: 80.4 ms per loop

来自here的方法：

rows = np.where(keep)[0]
cols = np.arange(a.shape[1])
%timeit (a.ravel()[(cols + (rows * a.shape[1]).reshape((-1,1))).ravel()]).reshape(rows.size, cols.size)
10 loops, best of 3: 159 ms per loop

如果您正在观看相同尺寸的视图：

%timeit data[1:-1:2, :]
1000000 loops, best of 3: 243 ns per loop

Answer 1

用视图无法做到这一点。视图需要一致的步幅，而您的数据随机分散在整个原始数组中。

numpy中的快速高级索引

1 个答案: