删除 numpy 数组的对角线元素

Question

给定输入

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])

需要输出：

array([[2, 3],
       [4, 6],
       [7, 8]])

使用迭代或循环来做到这一点很容易，但应该有一种简洁的方法可以在不使用循环的情况下做到这一点。谢谢

Answer 1

方法 #1

一种方法masking -

A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)

示例运行 -

In [395]: A
Out[395]: 
array([[1, 2, 3],
       [4, 5, 6],
       [7, 8, 9]])
In [396]: A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)
Out[396]: 
array([[2, 3],
       [4, 6],
       [7, 8]])

方法#2

使用非对角线元素的常规模式，这些元素可以通过范围数组的广播加法进行跟踪 -

m = A.shape[0]
idx = (np.arange(1,m+1) + (m+1)*np.arange(m-1)[:,None]).reshape(m,-1)
out = A.ravel()[idx]

方法#3（大步出击！

滥用以前方法中非对角线元素的常规模式，我们可以引入np.lib.stride_tricks.as_strided和一些slicing帮助，例如 -

m = A.shape[0]
strided = np.lib.stride_tricks.as_strided
s0,s1 = A.strides
out = strided(A.ravel()[1:], shape=(m-1,m), strides=(s0+s1,s1)).reshape(m,-1)

---

运行时测试

作为函数的方法：

def skip_diag_masking(A):
    return A[~np.eye(A.shape[0],dtype=bool)].reshape(A.shape[0],-1)
def skip_diag_broadcasting(A):
    m = A.shape[0]
    idx = (np.arange(1,m+1) + (m+1)*np.arange(m-1)[:,None]).reshape(m,-1)
    return A.ravel()[idx]
def skip_diag_strided(A):
    m = A.shape[0]
    strided = np.lib.stride_tricks.as_strided
    s0,s1 = A.strides
    return strided(A.ravel()[1:], shape=(m-1,m), strides=(s0+s1,s1)).reshape(m,-1)

计时-

In [528]: A = np.random.randint(11,99,(5000,5000))
In [529]: %timeit skip_diag_masking(A)
     ...: %timeit skip_diag_broadcasting(A)
     ...: %timeit skip_diag_strided(A)
     ...: 
10 loops, best of 3: 56.1 ms per loop
10 loops, best of 3: 82.1 ms per loop
10 loops, best of 3: 32.6 ms per loop

Answer 2

解决方案步骤：

• 展平阵列
• 删除位于位置range(0, len(x_no_diag), len(x) + 1)的对角线元素的位置
• 将阵列调整为 （num_rows、num_columns - 1）

该函数：

import numpy as np
def remove_diag(x):
    x_no_diag = np.ndarray.flatten(x)
    x_no_diag = np.delete(x_no_diag, range(0, len(x_no_diag), len(x) + 1), 0)
    x_no_diag = x_no_diag.reshape(len(x), len(x) - 1)
    return x_no_diag

例：

>>> x = np.random.randint(5, size=(3,3))
array([[0, 2, 3],
       [3, 4, 1],
       [2, 4, 0]])
>>> remove_diag(x)
array([[2, 3],
       [3, 1],
       [2, 4]])

Answer 3

我知道

我参加这个聚会迟到了，但我有一个我认为是更简单的解决方案。所以你想删除对角线？好的酷：

• 将其替换为 NaN
• 过滤除 NaN 以外的所有内容（这会转换为一维，因为它不能假设结果是平方的）
• 重置维度

'

 arr = np.array([[1,2,3],[4,5,6],[7,8,9]]).astype(np.float)
 np.fill_diagonal(arr, np.nan)
 arr[~np.isnan(arr)].reshape(arr.shape[0], arr.shape[1] - 1)

Answer 4

仅使用 numpy，假设一个方阵：

new_A = numpy.delete(A,range(0,A.shape[0]**2,(A.shape[0]+1))).reshape(A.shape[0],(A.shape[1]-1))

Answer 5

也许最干净的方法，基于 Divakar 的第一个解决方案，但使用 len(array) 而不是 array.shape[0] ，是：

array_without_diagonal = array[~np.eye(len(array), dtype=bool)].reshape(len(array), -1)

Answer 6

如果你不介意创建一个新数组，那么你可以使用列表推导。

A = np.array([A[i][A[i] != A[i][i]] for i in range(len(A))])

重新运行与@Divakar相同的方法，

A = np.random.randint(11,99,(5000,5000))
skip_diag_masking
85.7 ms ± 1.55 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_broadcasting
163 ms ± 1.77 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_strided
52.5 ms ± 2.54 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
skip_diag_list_comp
101 ms ± 347 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Answer 7

我喜欢

这里的所有答案，但想添加一个，以防您的 numpy 对象超过 2 维。在这种情况下，您可以使用 Divakar 方法 #1 的以下调整：

def remove_diag(A):
    removed = A[~np.eye(A.shape[0], dtype=bool)].reshape(A.shape[0], int(A.shape[0])-1, -1)
    return np.squeeze(removed)

Answer 8

另一种方法是使用 numpy.delete（）。 假设方阵，您可以使用：

numpy.delete(A,range(0,A.shape[0]**2,A.shape[0])).reshape(A.shape[0],A.shape[1]-1)