例如，我有两个ndarray，train_dataset的形状是(10000, 28, 28)的，val_dateset的形状是(2000, 28, 28)的
除了使用迭代之外，是否有任何有效的方法可以使用 numpy 数组函数来查找两个 ndarray 之间的重叠？
我从 Jaime 的出色答案中学到的一个技巧是使用 np.void dtype 将输入数组中的每一行视为单个元素。这允许您将它们视为 1D 数组，然后可以将其传递给 np.in1d 或其他设置例程之一。
import numpy as np
def find_overlap(A, B):
if not A.dtype == B.dtype:
raise TypeError("A and B must have the same dtype")
if not A.shape[1:] == B.shape[1:]:
raise ValueError("the shapes of A and B must be identical apart from "
"the row dimension")
# reshape A and B to 2D arrays. force a copy if neccessary in order to
# ensure that they are C-contiguous.
A = np.ascontiguousarray(A.reshape(A.shape[0], -1))
B = np.ascontiguousarray(B.reshape(B.shape[0], -1))
# void type that views each row in A and B as a single item
t = np.dtype((np.void, A.dtype.itemsize * A.shape[1]))
# use in1d to find rows in A that are also in B
return np.in1d(A.view(t), B.view(t))
例如：
gen = np.random.RandomState(0)
A = gen.randn(1000, 28, 28)
dupe_idx = gen.choice(A.shape[0], size=200, replace=False)
B = A[dupe_idx]
A_in_B = find_overlap(A, B)
print(np.all(np.where(A_in_B)[0] == np.sort(dupe_idx)))
# True
这种方法比Divakar的方法内存效率高得多，因为它不需要广播到(m, n, ...)布尔数组。事实上，如果 A 和 B 是行主的，则根本不需要复制。
为了进行比较，我稍微调整了Divakar和B.M.的解决方案。
def divakar(A, B):
A.shape = A.shape[0], -1
B.shape = B.shape[0], -1
return (B[:,None] == A).all(axis=(2)).any(0)
def bm(A, B):
t = 'S' + str(A.size // A.shape[0] * A.dtype.itemsize)
ma = np.frombuffer(np.ascontiguousarray(A), t)
mb = np.frombuffer(np.ascontiguousarray(B), t)
return (mb[:, None] == ma).any(0)
基准：
In [1]: na = 1000; nb = 200; rowshape = 28, 28
In [2]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
divakar(A, B)
....:
1 loops, best of 3: 244 ms per loop
In [3]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
bm(A, B)
....:
100 loops, best of 3: 2.81 ms per loop
In [4]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
find_overlap(A, B)
....:
100 loops, best of 3: 15 ms per loop
如您所见，对于小n，B.M.的解决方案比我的略快，但np.in1d扩展性比测试所有元素的相等性（O（n log n）而不是O（n²）复杂度）更好。
In [5]: na = 10000; nb = 2000; rowshape = 28, 28
In [6]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
bm(A, B)
....:
1 loops, best of 3: 271 ms per loop
In [7]: %%timeit A = gen.randn(na, *rowshape); idx = gen.choice(na, size=nb, replace=False); B = A[idx]
find_overlap(A, B)
....:
10 loops, best of 3: 123 ms per loop
Divakar的解决方案在我的笔记本电脑上对于这种大小的阵列来说很棘手，因为它需要生成一个15GB的中间阵列，而我只有8GB RAM。
内存允许你可以使用broadcasting，就像这样 -
val_dateset[(train_dataset[:,None] == val_dateset).all(axis=(2,3)).any(0)]
示例运行 -
In [55]: train_dataset
Out[55]:
array([[[1, 1],
[1, 1]],
[[1, 0],
[0, 0]],
[[0, 0],
[0, 1]],
[[0, 1],
[0, 0]],
[[1, 1],
[1, 0]]])
In [56]: val_dateset
Out[56]:
array([[[0, 1],
[1, 0]],
[[1, 1],
[1, 1]],
[[0, 0],
[0, 1]]])
In [57]: val_dateset[(train_dataset[:,None] == val_dateset).all(axis=(2,3)).any(0)]
Out[57]:
array([[[1, 1],
[1, 1]],
[[0, 0],
[0, 1]]])
如果元素是整数，则可以将输入数组中的每个axis=(1,2)块折叠为标量，假设它们是线性可索引的数字，然后有效地使用np.in1d或np.intersect1d来查找匹配项。
完全广播在这里生成一个 10000*2000*28*28 =150 Mo 布尔数组。
为了提高效率，您可以：
-
打包数据，对于 200 Ko 数组：
from pylab import * N=10000 a=rand(N,28,28) b=a[[randint(0,N,N//5)]] packedtype='S'+ str(a.size//a.shape[0]*a.dtype.itemsize) # 'S6272' ma=frombuffer(a,packedtype) # ma.shape=10000 mb=frombuffer(b,packedtype) # mb.shape=2000 %timeit a[:,None]==b : 102 s %timeit ma[:,None]==mb : 800 ms allclose((a[:,None]==b).all((2,3)),(ma[:,None]==mb)) : True延迟字符串比较在这里帮助减少了内存，在第一次差异时打破
：In [31]: %timeit a[:100]==b[:100] 10000 loops, best of 3: 175 µs per loop In [32]: %timeit a[:100]==a[:100] 10000 loops, best of 3: 133 µs per loop In [34]: %timeit ma[:100]==mb[:100] 100000 loops, best of 3: 7.55 µs per loop In [35]: %timeit ma[:100]==ma[:100] 10000 loops, best of 3: 156 µs per loop
这里给出了解决方案，(ma[:,None]==mb).nonzero().
-
使用
in1d，以获得(Na+Nb) ln(Na+Nb)复杂性，反对Na*Nb完整比较：%timeit in1d(ma,mb).nonzero() : 590ms
这里没有很大的收获，但渐近更好。
解决方案
def overlap(a,b):
"""
returns a boolean index array for input array b representing
elements in b that are also found in a
"""
a.repeat(b.shape[0],axis=0)
b.repeat(a.shape[0],axis=0)
c = aa == bb
c = c[::a.shape[0]]
return c.all(axis=1)[:,0]
您可以使用返回的索引数组来索引b以提取在 a 中找到的元素
b[overlap(a,b)]
解释
为了简单起见，我假设您已经从numpy导入了此示例中的所有内容：
from numpy import *
因此，例如，给定两个 ndarray
a = arange(4*2*2).reshape(4,2,2)
b = arange(3*2*2).reshape(3,2,2)
我们重复a和b，使它们具有相同的形状
aa = a.repeat(b.shape[0],axis=0)
bb = b.repeat(a.shape[0],axis=0)
然后，我们可以简单地比较aa和bb的元素
c = aa == bb
最后，通过查看每 4 个或实际上每 shape(a)[0] 个元素来获取b元素的索引，这些索引也存在于a c
cc == c[::a.shape[0]]
最后，我们提取一个索引数组，其中只有子数组中所有元素都True
c.all(axis=1)[:,0]
在我们的示例中，我们得到
array([True, True, True], dtype=bool)
要进行检查，请更改b的第一个元素
b[0] = array([[50,60],[70,80]])
我们得到
array([False, True, True], dtype=bool)
这个问题来自谷歌的在线深度学习课程？以下是我的解决方案：
sum = 0 # number of overlapping rows
for i in range(val_dataset.shape[0]): # iterate over all rows of val_dataset
overlap = (train_dataset == val_dataset[i,:,:]).all(axis=1).all(axis=1).sum()
if overlap:
sum += 1
print(sum)
使用自动广播而不是迭代。您可以测试性能差异。