Question

我有一个很大的numpy数组：

array([[32, 32, 99,  9, 45],  # A
       [99, 45,  9, 45, 32],
       [45, 45, 99, 99, 32],
       [ 9,  9, 32, 45, 99]])

以特定顺序排列的大量唯一值：

array([ 99, 32, 45, 9])       # B

我怎样才能快速（没有python词典，没有A的副本，没有python循环）替换A中的值，以便成为B中值的指示？：

array([[1, 1, 0, 3, 2],
       [0, 2, 3, 2, 1],
       [2, 2, 0, 0, 1],
       [3, 3, 1, 2, 0]])

~~我感到非常愚蠢，因为我无法做到这一点，也没有在文档中找到它。简单点！~~

Answer 1

import numpy as np
A=np.array([[32, 32, 99,  9, 45],  
            [99, 45,  9, 45, 32],
            [45, 45, 99, 99, 32],
            [ 9,  9, 32, 45, 99]])

B=np.array([ 99, 32, 45, 9])

cutoffs=np.sort(B)
print(cutoffs)
# [ 9 32 45 99]

index=cutoffs.searchsorted(A)
print(index)
# [[1 1 3 0 2]
#  [3 2 0 2 1]
#  [2 2 3 3 1]
#  [0 0 1 2 3]]

index将索引保存到与A的每个元素关联的数组截止值中。请注意，我们必须对B进行排序，因为np.searchsorted需要排序数组。

除了我们要映射

之外，

index几乎是理想的答案

1-->1
3-->0
0-->3
2-->2

np.argsort为我们提供了这种映射：

print(np.argsort(B))
# [3 1 2 0]
print(np.argsort(B)[1])
# 1
print(np.argsort(B)[3])
# 0
print(np.argsort(B)[0])
# 3
print(np.argsort(B)[2])
# 2

print(np.argsort(B)[index])
# [[1 1 0 3 2]
#  [0 2 3 2 1]
#  [2 2 0 0 1]
#  [3 3 1 2 0]]

所以，作为一个单行，答案是：

np.argsort(B)[np.sort(B).searchsorted(A)]

同时调用np.sort(B)和np.argsort(B)效率很低，因为这两项操作相当于排序B。对于任何1D阵列B，

np.sort(B) == B[np.argsort(B)]

因此我们可以使用

更快地计算出所需的结果

key=np.argsort(B)
result=key[B[key].searchsorted(A)]

Answer 2

你去吧

A = array([[32, 32, 99,  9, 45],  # A
   [99, 45,  9, 45, 32],
   [45, 45, 99, 99, 32],
   [ 9,  9, 32, 45, 99]])

B = array([ 99, 32, 45, 9])

ii = np.argsort(B)
C = np.digitize(A.reshape(-1,),np.sort(B)) - 1

最初我建议：

D = np.choose(C,ii).reshape(A.shape)

但是我意识到当你去更大的阵列时这有局限性。相反，借用@ unutbu的聪明回复：

D = np.argsort(B)[C].reshape(A.shape)

或单线

np.argsort(B)[np.digitize(A.reshape(-1,),np.sort(B)) - 1].reshape(A.shape)

我发现它比@ unutbu的代码更快或更慢，具体取决于所考虑的数组的大小和唯一值的数量。

Numpy Lookup（地图或点）

2 个答案: