如何一次從numpy數組中排除幾個範圍？

Question

說，一個有以下numpy的數組：

X = numpy.array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5]) 

現在，一個如何從X範圍X[0:2]，X[6:8]和X[12:14]一次，所以人會在結果X= [2, 2, 2, 4, 4, 4]獲取數組排除？

Answer 1

正是基於要保持間隔組成X ..

X = np.array(list(X[3:6]) + list(X[9:12])) 

Answer 2

你可以使用np.r_到的範圍，組合成一維數組：

In [18]: np.r_[0:2,6:8,12:14] 
Out[18]: array([ 0, 1, 6, 7, 12, 13]) 

然後使用np.in1d創建在這些索引位置爲True的布爾數組：

In [19]: np.in1d(np.arange(len(X)), (np.r_[0:2,6:8,12:14])) 
Out[19]: 
array([ True, True, False, False, False, False, True, True, False, 
     False, False, False, True, True, False], dtype=bool) 

然後用~ to invert布爾數組：

In [11]: X = np.array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5]) 

In [12]: X[~np.in1d(np.arange(len(X)), (np.r_[0:2,6:8,12:14]))] 
Out[12]: array([1, 2, 2, 2, 3, 4, 4, 4, 5]) 

---

注意X[12:14]捕獲只有前兩個5的。剩下一個5，所以結果是array([1, 2, 2, 2, 3, 4, 4, 4, 5])，而不是array([1, 2, 2, 2, 3, 4, 4, 4])。

Python中的切片範圍是半開間隔。包含左側索引，但正確的索引不包含。所以X[12:14]選擇X[12]和X[13]，但不是X[14]。有關Guido van Rossum對Python爲何使用半開區間的解釋，請參閱this post。

要得到的結果[2, 2, 2, 4, 4, 4]你需要添加一個到右側（結尾）指數爲每個切片：

In [17]: X[~np.in1d(np.arange(len(X)), (np.r_[0:3,6:9,12:15]))] 
Out[17]: array([2, 2, 2, 4, 4, 4]) 

Answer 3

您可以使用這樣的事情：

numbers = [1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5] 
exclude = set(range(0,2) + range(6,8) + range(12,14)) 
[n for n in numbers if n not in exclude] 

或：

[i for i in nums if i not in xrange(0,2) and i not in xrange(6,8) and i not in xrange(12,14)] 

結果：

[2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 5, 5] 

Answer 4

您可以撥打np.delete 3次，自@nneonneo在評論中表示，它不需要計算範圍偏移就可以反轉。 ：

>>> np.delete(np.delete(np.delete(X,np.s_[12:14]),np.s_[6:8]),np.s_[0:2]) 
array([1, 2, 2, 2, 3, 4, 4, 4, 5]) 

Answer 5

在以@unutbu的答案，我建議np.delete評論。這裏有幾個計時

更大的測試序列：

In [445]: A=np.arange(1000) 

@ unutbu的回答是：

In [446]: timeit A[~np.in1d(np.arange(len(A)), (np.r_[10:50:3,100:200,300:350]))].shape 
1000 loops, best of 3: 454 µs per loop 

相同的索引列表，但使用np.delete - 大約3倍提速

In [447]: timeit np.delete(A,np.r_[10:50:3,100:200,300:350]).shape 
10000 loops, best of 3: 166 µs per loop 

但做一個簡單的布爾掩模更快。早些時候，我推斷，np.delete基本上做到這一點，但它必須有一些額外的開銷（包括用於處理多個維度的能力）：

In [448]: %%timeit 
ind=np.ones_like(A,bool) 
ind[np.r_[10:50:3,100:200,300:350]]=False 
A[ind].shape 
    .....: 
10000 loops, best of 3: 71.5 µs per loop 

np.delete具有當輸入爲片，這可能比快了不同的策略布爾索引。但它一次只處理一個切片，因此@ Kasramvd顯示的嵌套刪除。我打算增加這個時間。

連接多個切片是另一種選擇。

np.r_也涉及到一個循環，但它只是在切片上。基本上它迭代切片，擴展每個作爲範圍，並連接它們。在我的最快的情況下，它的運行時間的2/3負責：

In [451]: timeit np.r_[10:50:3,100:200,300:350] 
10000 loops, best of 3: 41 µs per loop 
In [453]: %%timeit x=np.r_[10:50:3,100:200,300:350] 
ind=np.ones_like(A,bool) 
ind[x]=False 
A[ind].shape 
    .....: 
10000 loops, best of 3: 24.2 µs per loop 

---

嵌套刪除有相當不錯的表現：

In [457]: timeit np.delete(np.delete(np.delete(A,slice(300,350)), 
    slice(100,200)),slice(10,50,3)).shape 
10000 loops, best of 3: 108 µs per loop 

np.delete，當給定切片刪除，將slice複製到結果數組（delete塊之前和之後的塊）。我可以通過連接幾個切片來近似。我在這裏使用第一塊的刪除操作，而不是花時間寫一個純副本。它仍然比最好的布爾掩碼錶達式更快。

In [460]: timeit np.concatenate([np.delete(A[:100],slice(10,50,3)), 
    A[200:300],A[350:]]).shape 
10000 loops, best of 3: 65.7 µs per loop 

我可以用這個切片取下delete，雖然10:50範圍內的順序弄亂了。我懷疑這是，理論上，最快：

In [480]: timeit np.concatenate([A[:10], A[11:50:3], A[12:50:3], 
    A[50:100], A[200:300], A[350:]]).shape 
100000 loops, best of 3: 16.1 µs per loop 

---

一個重要的注意 - 這些方案正在與非重疊片測試。有些可能與重疊一起工作，有些可能不會。