2

形状を持つ行列 A が与えられた場合(1000000,6)、各行の右端の最小値を取得する方法を見つけ、それをこの関数に実装しました。

def calculate_row_minima_indices(h): # h is the given matrix.
    """Returns the indices of the rightmost minimum per row for matrix h."""
    flipped = numpy.fliplr(h) # flip the matrix to get the rightmost minimum.
    flipped_indices = numpy.argmin(flipped, axis=1)
    indices = numpy.array([2]*dim) - flipped_indices
    return indices

indices = calculate_row_minima_indices(h)
for col, row in enumerate(indices):
    print col, row, h[col][row] # col_index, row_index and value of minimum which should be removed.

各行には最小値があります。だから私が知る必要があるのは、最小値のエントリを削除し、形状のあるマトリックスを形状のあるマトリックスに縮小することです。(1000000,6)(1000000,5)

より低い次元の新しいマトリックスを生成し、for ループを使用して実行したい値を入力しますが、ランタイムが心配です。行ごとに最小値で行列を縮小するための組み込みの方法またはトリックはありますか?

おそらく、次の情報が役に立ちます。値はすべて 0.0 以上です。

4

2 に答える 2

1

bool マスク配列を使用して選択を行うことができますが、メモリ使用量が少し大きくなります。

import numpy

h = numpy.random.randint(0, 10, (20, 6))

flipped = numpy.fliplr(h) # flip the matrix to get the rightmost minimum.
flipped_indices = numpy.argmin(flipped, axis=1)
indices = 5 - flipped_indices

mask = numpy.ones(h.shape, numpy.bool)

mask[numpy.arange(h.shape[0]), indices] = False

result = h[mask].reshape(-1, 5)
于 2012-02-20T23:34:21.507 に答える
1

元の配列の形状と新しい配列のブール値マスクを保持するのに十分なメモリがあると仮定すると、これを行う1つの方法は次のとおりです。

import numpy as np

def main():
    np.random.seed(1) # For reproducibility
    data = generate_data((10, 6))

    indices = rightmost_min_col(data)
    new_data = pop_col(data, indices)

    print 'Original data...'
    print data
    print 'Modified data...'
    print new_data

def generate_data(shape):
    return np.random.randint(0, 10, shape)

def rightmost_min_col(data):
    nrows, ncols = data.shape[:2]
    min_indices = np.fliplr(data).argmin(axis=1)
    min_indices = (ncols - 1) - min_indices
    return min_indices

def pop_col(data, col_indices):
    nrows, ncols = data.shape[:2]
    col_indices = col_indices[:, np.newaxis]
    row_indices = np.arange(ncols)[np.newaxis, :]
    mask = col_indices != row_indices
    return data[mask].reshape((nrows, ncols-1))

if __name__ == '__main__':
    main()

これにより、次の結果が得られます。

Original data...
[[5 8 9 5 0 0]
 [1 7 6 9 2 4]
 [5 2 4 2 4 7]
 [7 9 1 7 0 6]
 [9 9 7 6 9 1]
 [0 1 8 8 3 9]
 [8 7 3 6 5 1]
 [9 3 4 8 1 4]
 [0 3 9 2 0 4]
 [9 2 7 7 9 8]]
Modified data...
[[5 8 9 5 0]
 [7 6 9 2 4]
 [5 2 4 4 7]
 [7 9 1 7 6]
 [9 9 7 6 9]
 [1 8 8 3 9]
 [8 7 3 6 5]
 [9 3 4 8 4]
 [0 3 9 2 4]
 [9 7 7 9 8]]

ここで使用している読みにくいトリックの 1 つは、配列の比較中に numpy のブロードキャストを利用することです。簡単な例として、次のことを検討してください。

import numpy as np
a = np.array([[1, 2, 3]])
b = np.array([[1],[2],[3]])
print a == b

これにより、次の結果が得られます。

array([[ True, False, False],
       [False,  True, False],
       [False, False,  True]], dtype=bool)

したがって、削除したいアイテムの列インデックスがわかっている場合は、列インデックスの配列の操作をベクトル化できますpop_col。

于 2012-02-20T23:52:26.103 に答える