Question

我有两个5D矩阵，我想添加元素。矩阵具有完全相同的维数和元素数，但它们都包含随机分布的NaN值。

我想以有效的方式逐个元素地添加这两个矩阵。我目前通过元素循环遍历它们来添加它们，但是这个循环大约需要40分钟，我只是认为必须有一种更有效的方法。

我认为这是一种有效的方法，如果可以使用numpy.nansum来添加它们，但是根据我的发现，numpy.nansum仅适用于1D数组。

如果添加功能与numpy.nansum（https://docs.scipy.org/doc/numpy-1.13.0/reference/generated/numpy.nansum.html）相同，我会更喜欢它。即，（1）如果添加两个值，我希望总和为值，（2）如果添加值和NaN，我希望总和为值，（3）如果添加两个NaN，我想要总和为NaN。

以下是一个支付代码：

import numpy as np

# Creating fake data
A = np.arange(0,720,1).reshape(2,3,4,5,6)
B = np.arange(720,1440,1).reshape(2,3,4,5,6)

# Assigning some elements as NaN
A[0,1,2,3,4] = np.nan
A[1,2,3,4,5] = np.nan
B[1,2,3,4,5] = np.nan

所以，如果我现在添加A和B（假设C = A + B），我希望元素C [0,1,2,3,4]为B [0,1,2的值， 3,4]，元素C [1,2,3,4,5]为NaN，C中的所有其他元素为A和B中各元素的总和。

有没有人有这种添加的有效解决方案？

Answer 1

我在想一些更平淡无奇的东西

In [22]: A=np.arange(10.)         # make sure A is float
In [23]: B=np.arange(100,110.)
In [24]: A[[1,3,9]]=np.nan
In [25]: B[[2,5,9]]=np.nan

In [26]: A
Out[26]: array([ 0., nan,  2., nan,  4.,  5.,  6.,  7.,  8., nan])
In [27]: B
Out[27]: array([100., 101.,  nan, 103., 104.,  nan, 106., 107., 108.,  nan])
In [29]: C=A+B
In [30]: C
Out[30]: array([100.,  nan,  nan,  nan, 108.,  nan, 112., 114., 116.,  nan])

In [31]: mask1 = np.isnan(A) & ~np.isnan(B)
In [32]: C[mask1] = B[mask1]
In [33]: mask2 = np.isnan(B) & ~np.isnan(A)
In [34]: C[mask2] = A[mask2]
In [35]: C
Out[35]: array([100., 101.,   2., 103., 108.,   5., 112., 114., 116.,  nan])

我喜欢stack和nansum方法，但我不确定它是否更快：

In [36]: s=np.stack((A,B))
In [37]: C1 = np.nansum(s, axis=0)
In [38]: C1
Out[38]: array([100., 101.,   2., 103., 108.,   5., 112., 114., 116.,   0.])
In [40]: C1[np.all(np.isnan(s), axis=0)] = np.nan
In [41]: C1
Out[41]: array([100., 101.,   2., 103., 108.,   5., 112., 114., 116.,  nan])

如果这种方法令人费解，请看s：

In [42]: s
Out[42]: 
array([[  0.,  nan,   2.,  nan,   4.,   5.,   6.,   7.,   8.,  nan],
       [100., 101.,  nan, 103., 104.,  nan, 106., 107., 108.,  nan]])

s是一个新的数组，具有新的0维。该维度上的sum与A+B相同。这种堆叠让我们可以利用nansum。不幸的是，您仍然希望保留一些nan，因此我们仍然需要执行屏蔽分配来处理该细节。

Answer 2

np.where(np.isnan(A), B, A + np.nan_to_num(B))

我们看到它如何在两个部分中起作用：

对于A的南部，我们填写B的值。

如果B和A同时为nan，则存储的值将为nan。如果B不是nan而A是nan，则会存储B的值。

对于{nan}的A部分，我们填写A + np.nan_to_num(B)。

np.nan_to_num(B)会将B的nan部分变为0.因此，当A + np.nan_to_num(B)为nan时，B将不会nan。

感谢Paul Panzer的纠正。

Answer 3

在求和之前添加一把新斧头：

np.nansum(np.concatenate((A[None,:],B[None,:])),axis=0)

Answer 4

s = np.stack((A, B))
C = np.nansum(s, axis=0)
C[np.all(np.isnan(s), axis=0)] = np.nan

这会将np.nan视为0.0以进行求和，然后最后一行会为新的＆＃34;深度＆＃中的所有条目添加np.nan所存在的位置34;横跨A和B的轴。

请注意，NumPy版本需要最后一次操作＆gt; 1.8，如the documentation中所述：

在NumPy版本中＆lt; = 1.8.0，对于全NaN或空的切片，返回Nan。在以后的版本中，返回零。

如果你可以保证NumPy版本＆lt; = 1.8，那么仅仅nansum部分就足够了。

在python

4 个答案: