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。
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。
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
[[5., 0.],
[6., 2.],
[7., 0.],
[8., 0.]]
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
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,)
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。
我正在将Numpy版本1.14.3与Python 3.5.2结合使用
答案 0 :(得分: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)