Numpy：檢查多維數組中的元素是否在元組中

Question

看來我仍然在與the "in" operator in numpy糾纏。這裏的情況：

>>> a = np.random.randint(1, 10, (2, 2, 3)) 
>>> a 
array([[[9, 8, 8], 
     [4, 9, 1]], 

     [[6, 6, 3], 
     [9, 3, 5]]]) 

我想獲得那些三胞胎第二個元素是(6, 8)的指標。我直覺嘗試的方法是：

>>> a[:, :, 1] in (6, 8) 
ValueError: The truth value of an array with more than one element... 

我的最終目標是在那些位置插入前面的那些乘以2號。使用上面的例子，a應該成爲：

array([[[9, 18, 8], #8 @ pos #2 --> replaced by 9 @ pos #1 by 2 
     [4, 9, 1]], 

     [[6, 12, 3], #6 @ pos #2 --> replaced by 6 @ pos #1 by 2 
     [9, 3, 5]]]) 

預先感謝您爲您的諮詢和時間！

Answer 1

import numpy as np 
a = np.array([[[9, 8, 8], 
       [4, 9, 1]], 

       [[6, 6, 3], 
       [9, 3, 5]]]) 

ind=(a[:,:,1]<=8) & (a[:,:,1]>=6) 
a[ind,1]=a[ind,0]*2 
print(a) 

產生

[[[ 9 18 8] 
    [ 4 9 1]] 

[[ 6 12 3] 
    [ 9 3 5]]] 

---

如果你想在一組不是簡單的範圍檢查會員的話，我喜歡用Python的循環都mac's idea和bellamyj's idea使用NP的.in1d。這是更快取決於check_tuple大小：

test.py：

import numpy as np 
np.random.seed(1) 

N = 10 
a = np.random.randint(1, 1000, (2, 2, 3)) 
check_tuple = np.random.randint(1, 1000, N) 

def using_in1d(a): 
    idx = np.in1d(a[:,:,1], check_tuple) 
    idx=idx.reshape(a[:,:,1].shape) 
    a[idx,1] = a[idx,0] * 2 
    return a 

def using_in(a): 
    idx = np.zeros(a[:,:,0].shape,dtype=bool) 
    for n in check_tuple: 
     idx |= a[:,:,1]==n 
    a[idx,1] = a[idx,0]*2 
    return a 

assert np.allclose(using_in1d(a),using_in(a))  

當N = 10，using_in稍快：

% python -m timeit -s'import test' 'test.using_in1d(test.a)' 
10000 loops, best of 3: 156 usec per loop 
% python -m timeit -s'import test' 'test.using_in(test.a)' 
10000 loops, best of 3: 143 usec per loop 

當N = 100時，using_in1d要快得多：

% python -m timeit -s'import test' 'test.using_in1d(test.a)' 
10000 loops, best of 3: 171 usec per loop 
% python -m timeit -s'import test' 'test.using_in(test.a)' 
1000 loops, best of 3: 1.15 msec per loop 

Answer 2

這裏有一個方法可以用於任意長度的元組。它使用numpy.in1d函數。

import numpy as np 
np.random.seed(1) 

a = np.random.randint(1, 10, (2, 2, 3)) 
print(a) 

check_tuple = (6, 9, 1) 

bool_array = np.in1d(a[:,:,1], check_tuple) 
ind = np.where(bool_array)[0] 
a0 = a[:,:,0].reshape((len(bool_array),)) 
a1 = a[:,:,1].reshape((len(bool_array),)) 
a1[ind] = a0[ind] * 2 

print(a) 

和輸出：

[[[6 9 6] 
    [1 1 2]] 

[[8 7 3] 
    [5 6 3]]] 

[[[ 6 12 6] 
    [ 1 2 2]] 

[[ 8 7 3] 
    [ 5 10 3]]] 

Answer 3

通過unutbu's answer的啓發，我發現了這個可能的解決方案：

>>> l = (8, 6) 
>>> idx = np.zeros((2, 2), dtype=bool) 
>>> for n in l: 
...  idx |= a[:,:,1] == n 
>>> idx 
array([[ True, False], 
     [ True, False]], dtype=bool) 
>>> a[idx] 
array([[9, 8, 8], 
     [6, 6, 3]]) 

它需要知道數組的大小事先調查，雖然。

Answer 4

還有一種基於使用查閱表的方法，我從Cellprofiler的一位開發人員那裏學到了。 首先，您需要創建一個查找表（LUT），它的大小是數組中最大的數量。對於每個可能的數組值，LUT具有一個True值或一個假值。 例子：

# create a large volume image with random numbers 
a = np.random.randint(1, 1000, (50, 1000 , 1000)) 
labels_to_find=np.unique(np.random.randint(1,1000,500)) 

# create filter mask LUT 
def find_mask_LUT(inputarr, obs): 
    keep = np.zeros(np.max(inputarr)+1, bool) 
    keep[np.array(obs)] = True 
    return keep[inputarr] 

# This will return a mask that is the 
# same shape as a, with True is a is one of the 
# labels we look for, False otherwise 
find_mask_LUT(a, labels_to_find) 

這工作真快（比np.in1d快得多，而且速度不依賴於對象的數量。）