给定行索引和起始列索引，如何将值分配给 numpy 数组？

Question

a = np.array([2,3,1,4])b = np.array([2,3,7,1])c = np.zeros((4, 10))1我想为 中的某些元素赋值c。a并b定义这些元素的位置。是每行中a值的起始列索引。1并表示该行有b多少个连续的。1我期望的输出是：array([[ 0.,  0.,  1.,  1.,  0.,  0.,  0.,  0.,  0.,  0.],       [ 0.,  0.,  0.,  1.,  1.,  1.,  0.,  0.,  0.,  0.],       [ 0.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  0.,  0.],       [ 0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.]])我可以使用一个简单的 for 循环，如下所示：for i in range(c.shape[0]):    for k in range(a[i], a[i]+b[i]):        c[i,k]=1但对于大型数组来说会很慢，有没有更快的 numpy 索引来做到这一点？谢谢。

Answer 1

您可以将其转化为一维问题

def convert_inds(a,b,array_shape):

    

    nrows,ncols = array_shape

    to_take = np.zeros(sum(b))

    count = 0

    for ind,item in enumerate(b):

        start_ind = ind*ncols+a[ind]

        to_take[count:count+item] = np.arange(start_ind,start_ind+item)

        count += item

        

    return to_take.astype(np.int)

to_take = convert_inds(a,b,c.shape)

c.ravel()[to_take] = 1

在上面的代码中，convert_inds将a和转换b为

array([ 2,  3, 13, 14, 15, 21, 22, 23, 24, 25, 26, 27, 34])

它们是1展平后 s的索引c。通过这样做，您只需要b在函数中进行迭代即可convert_inds。

Answer 2

我实现了下一个解决方案，没有任何 Python 循环，只有纯 NumPy 代码。也许它不像 python-loop 解决方案那么简单，但肯定会快得多，特别是对于大数据。

在线尝试一下！

import numpy as np

def set_val_2d(a, val, starts, lens):

    begs = starts + np.arange(a.shape[0]) * a.shape[1]

    ends = begs + lens

    clens = lens.cumsum()

    ix = np.ones((clens[-1],), dtype = np.int64)

    ix[0] = begs[0]

    ix[clens[:-1]] = begs[1:] - ends[:-1] + 1

    ix = ix.cumsum()

    a.ravel()[ix] = val

a = np.array([2,3,1,4])

b = np.array([2,3,7,1])

c = np.zeros((4, 10))

set_val_2d(c, 1, a, b)

print(c)

输出：

[[0. 0. 1. 1. 0. 0. 0. 0. 0. 0.]

 [0. 0. 0. 1. 1. 1. 0. 0. 0. 0.]

 [0. 1. 1. 1. 1. 1. 1. 1. 0. 0.]

 [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]

Answer 3

如果您选择基于索引的奇特方法，最困难的部分是查找轴 1 的索引。这非常类似于：

>>> np.repeat(a, b)

array([2, 2, 3, 3, 3, 1, 1, 1, 1, 1, 1, 1, 4])

除了每组索引应该递增之外。可以使用以下函数完成此修复：

def accumulative_count(counts, initial):

    counter = np.ones(np.sum(counts), dtype=int)

    marker_idx = np.r_[0, np.cumsum(counts)[:-1]]

    subtract_vals = np.r_[1, counts[:-1]]

    initial_vals = np.r_[initial[0], np.diff(initial)]

    counter[marker_idx] = counter[marker_idx] - subtract_vals + initial_vals

    return np.cumsum(counter)

>>> accumulative_count(counts, initial)

array([2, 3, 3, 4, 5, 1, 2, 3, 4, 5, 6, 7, 4], dtype=int32)

毕竟，你有能力完成它：

c[np.repeat(np.arange(len(c)), b), accumulative_count(b, a)] = 1

c:

array([[0., 0., 1., 1., 0., 0., 0., 0., 0., 0.],

       [0., 0., 0., 1., 1., 1., 0., 0., 0., 0.],

       [0., 1., 1., 1., 1., 1., 1., 1., 0., 0.],

       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.]])