我有一个numpy数组，它的维度为(x, y, z) =(5,50,4)。对于每个(x, y)对，我想找到最大值沿z轴的索引。该指数在(4)范围内。我想选择所有这些"最大值"元素并将它们设置为1。然后，我要选择所有其他元素并将它们设置为0。
用另一种方式来解释，我想看看z方向上的所有向量(这些向量总共有x*y)。我想把最大元素设为1，其他元素设为0。例如，向量(0.25,0.1,0.5,0.15)将变成(0,0,1,0)。
我已经尝试了很多不同的东西。argmax函数似乎应该有所帮助。但是我如何使用它来正确地选择元素呢?我试过……x = data
i = x.argmax(axis = 2)
x[i] # shape = (5, 50, 50, 4)
x[:,:,i] # shape = (5, 50, 5, 50)
x[np.unravel_index(i), x.shape] # shape = (5, 50)
最后一个，使用了np。的形状是正确的，但是所选的索引不是沿z轴的最大值。所以我遇到了一些麻烦。如果有人能帮忙，那就太棒了。谢谢!
编辑:这是我发现的一种方法。但如果有人有什么更快的，请告诉我!
def fix_vector(a):
i = a.argmax()
a = a*0
a[i] = 1
return a
y = np.apply_along_axis(fix_vector, axis=2, arr=x)
我真的想优化这个，如果可能的话，因为我调用这个函数很多次。
编辑:感谢帝斯曼提供了一个很好的解决方案。下面是一个小的示例数据集，根据评论的要求。
data = np.random.random((3,5,4))
desired_output = np.apply_along_axis(fix_vector, axis=2, arr=data)
这使用了我上面发布的fix_vector函数，但是DSM的解决方案更快。再次感谢!
这不是特别优雅，但是:
def faster(x):
d = x.reshape(-1, x.shape[-1])
d2 = np.zeros_like(d)
d2[np.arange(len(d2)), d.argmax(1)] = 1
d2 = d2.reshape(x.shape)
return d2
似乎比fix_vector方法快一些。例如:
>>> x,y,z = 5,50,4
>>> data = np.random.random((x,y,z))
>>> np.allclose(orig(data), faster(data))
True
>>> %timeit -n 1000 orig(data)
1000 loops, best of 3: 5.77 ms per loop
>>> %timeit -n 1000 faster(data)
1000 loops, best of 3: 36.6 µs per loop
这可以用numpy.where
import numpy as np
a = np.array([[[ 0.25, 0.10 , 0.50 , 0.15],
[ 0.50, 0.60 , 0.40 , 0.30]],
[[ 0.25, 0.50 , 0.20 , 0.70],
[ 0.80, 0.10 , 0.50 , 0.15]]])
沿着最后一个轴找到最大值
b = a.max(-1) #shape is (2,2)
为b添加一个轴，以便它将广播到a并创建一个布尔数组。
condition = a == b[..., np.newaxis]
使用numpy.where进行替换。
c = np.where(condition, 1, 0)
>>> c
array([[[0, 0, 1, 0],
[0, 1, 0, 0]],
[[0, 0, 0, 1],
[1, 0, 0, 0]]])
def f(a):
b = a.max(-1)
condition = a == b[..., np.newaxis]
return np.where(condition, 1, 0)
所以我不满意-我见过reshape比添加新轴更快的情况，所以我玩了一下。似乎numpy.where本身有点慢。在赋值时使用布尔索引的性能与@DSM的性能几乎相同。
def h(a):
b = a.max(-1)
condition = a == b[..., np.newaxis]
a[condition] = 1
a[np.logical_not(condition)] = 0
return a
x, (2,3,4)样例形状:
In [934]: x
Out[934]:
array([[[ 5, 7, 4, 15],
[ 9, 23, 14, 9],
[17, 13, 2, 1]],
[[ 2, 18, 3, 18],
[10, 12, 23, 14],
[17, 23, 19, 13]]])
最后一个轴的max值-足够清楚，一个(2,3)数组:
In [935]: x.max(2)
Out[935]:
array([[15, 23, 17],
[18, 23, 23]])
沿着该轴协调索引
In [936]: I=x.argmax(2)
In [937]: I
Out[937]:
array([[3, 1, 0],
[1, 2, 1]], dtype=int32)
用这些索引索引x的一种方法。此时，我正在手动构建0轴和1轴索引。它需要自动化
In [938]: x[np.arange(2)[:,None], np.arange(3)[None,:], I]
Out[938]:
array([[15, 23, 17],
[18, 23, 23]])
相同的索引可以用来设置另一个数组中的值:
In [939]: y=np.zeros_like(x)
In [940]: y[np.arange(2)[:,None],np.arange(3)[None,:],I]=x.max(2)
In [941]: y
Out[941]:
array([[[ 0, 0, 0, 15],
[ 0, 23, 0, 0],
[17, 0, 0, 0]],
[[ 0, 18, 0, 0],
[ 0, 0, 23, 0],
[ 0, 23, 0, 0]]])
(np.arange(2)[:,None], np.arange(3)[None,:], I)
(array([[0],
[1]]),
array([[0, 1, 2]]),
array([[3, 1, 0],
[1, 2, 1]], dtype=int32))
np.ix_有帮助，尽管连接两个元组有点难看:
J = np.ix_(range(x.shape[0]), range(x.shape[1])) + (I,)
对扁平数组的索引可以更快:
In [998]: J1 = np.ravel_multi_index(J, x.shape)
In [999]: J1
Out[999]:
array([[ 3, 5, 8],
[13, 18, 21]], dtype=int32)
In [1000]: x.flat[J1]
Out[1000]:
array([[15, 23, 17],
[18, 23, 23]])
In [1001]: y.flat[J1]=2
In [1002]: y
Out[1002]:
array([[[0, 0, 0, 2],
[0, 2, 0, 0],
[2, 0, 0, 0]],
[[0, 2, 0, 0],
[0, 0, 2, 0],
[0, 2, 0, 0]]])
但是我仍然需要构建J索引元组。
这类似于DSM的解决方案，但坚持3个维度。尺寸的平坦化消除了xi_结构的需要。
def max_index(x, n, fn=np.argmax):
# return multidimensional indexing tuple
# applying fn along axis n
I = fn(x, axis=n)
alist = list(np.ix_(*[range(i) for i in I.shape]))
alist.insert(n, I)
return tuple(alist)
是一个通用函数，用于生成类似J的索引元组
。
y = np.zeros_like(x)
I = max_index(x, 1, np.argmin)
y[I] = x[I]
I = max_index(x, 1, np.argmax)
y[I] = x[I]
将x的最小值和最大值(沿轴1)插入到y中。速度是DSM和faster的一半。