脾气暴躁：通过装箱从关联中找到最小值和最大值

Question

先决条件

这是一个从post开始的问题。因此，对该问题的一些介绍将类似于该帖子。

问题

假设result是2D数组，values是1D数组。 values拥有与result中的每个元素相关的一些值。 values中的元素到result的映射存储在x_mapping和y_mapping中。 result中的位置可以与不同的值相关联。现在，我必须找到按关联分组的最小值和最大值。

一个更好地说明问题的例子。

min_result数组：

[[0, 0],
[0, 0],
[0, 0],
[0, 0]]

max_result数组：

[[0, 0],
[0, 0],
[0, 0],
[0, 0]]

values数组：

[ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.]

注意：这里的result数组和values具有相同数量的元素。但事实并非如此。大小之间根本没有关系。

x_mapping和y_mapping具有从1D values到2D result（最小和最大）的映射。 x_mapping，y_mapping和values的大小将相同。

x_mapping-[0, 1, 0, 0, 0, 0, 0, 0]

y_mapping-[0, 3, 2, 2, 0, 3, 2, 1]

此处，第一个值（values[0]）和第五个值（values[4]）的x为0，y为0（x_mapping[0]和y_mappping[0]），因此与{ {1}}。如果我们从该组计算最小值和最大值，则结果分别为1和5。因此，result[0, 0]将具有1，min_result[0, 0]将具有5。

请注意，如果根本没有关联，则max_result[0, 0]的默认值为零。

当前工作解决方案

result

x_mapping = np.array([0, 1, 0, 0, 0, 0, 0, 0]) y_mapping = np.array([0, 3, 2, 2, 0, 3, 2, 1]) values = np.array([ 1., 2., 3., 4., 5., 6., 7., 8.], dtype=np.float32) max_result = np.zeros([4, 2], dtype=np.float32) min_result = np.zeros([4, 2], dtype=np.float32) min_result[-y_mapping, x_mapping] = values # randomly initialising from values for i in range(values.size): x = x_mapping[i] y = y_mapping[i] # maximum if values[i] > max_result[-y, x]: max_result[-y, x] = values[i] # minimum if values[i] < min_result[-y, x]: min_result[-y, x] = values[i] ，

min_result

[[1., 0.], [6., 2.], [3., 0.], [8., 0.]] ，

max_result

失败的解决方案

＃1

[[5., 0.],
[6., 2.],
[7., 0.],
[8., 0.]]

＃2

min_result = np.zeros([4, 2], dtype=np.float32)
np.minimum.reduceat(values, [-y_mapping, x_mapping], out=min_result)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-17-126de899a90e> in <module>()
1 min_result = np.zeros([4, 2], dtype=np.float32)
----> 2 np.minimum.reduceat(values, [-y_mapping, x_mapping], out=min_result)

ValueError: object too deep for desired array

＃3

min_result = np.zeros([4, 2], dtype=np.float32)
np.minimum.reduceat(values, lidx, out= min_result)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-24-07e8c75ccaa5> in <module>()
1 min_result = np.zeros([4, 2], dtype=np.float32)
----> 2 np.minimum.reduceat(values, lidx, out= min_result)

ValueError: operands could not be broadcast together with remapped shapes [original->remapped]: (4,2)->(4,) (8,)->() (8,)->(8,) 

问题

如何使用lidx = ((-y_mapping) % 4) * 2 + x_mapping #from mentioned post min_result = np.zeros([8], dtype=np.float32) np.minimum.reduceat(values, lidx, out= min_result).reshape(4,2) [[1., 4.], [5., 5.], [1., 3.], [5., 7.]] 和np.minimum.reduceat解决此问题？我正在寻找针对运行时进行优化的解决方案。

旁注

我正在将Numpy版本1.14.3与Python 3.5.2结合使用

Answer 1

方法1

同样，最直观的选择是使用numpy.ufunc.at。 现在，由于将对现有值执行这些缩减，因此我们需要使用最大值（最小值最小）和最小值（最大值）的最小值来初始化输出。因此，实现将是-

min_result[-y_mapping, x_mapping] = values.max()
max_result[-y_mapping, x_mapping] = values.min()

np.minimum.at(min_result, [-y_mapping, x_mapping], values)
np.maximum.at(max_result, [-y_mapping, x_mapping], values)

方法2

要利用np.ufunc.reduceat，我们需要对数据进行排序-

m,n = max_result.shape
out_dtype = max_result.dtype
lidx = ((-y_mapping)%m)*n + x_mapping

sidx = lidx.argsort()
idx = lidx[sidx]
val = values[sidx]

m_idx = np.flatnonzero(np.r_[True,idx[:-1] != idx[1:]])
unq_ids = idx[m_idx]

max_result_out.flat[unq_ids] = np.maximum.reduceat(val, m_idx)
min_result_out.flat[unq_ids] = np.minimum.reduceat(val, m_idx)