题
假定有,将需要被一起求和值的阵列
d = [1,1,1,1,1]
和第二阵列指定哪些元素需要被一起求和
i = [0,0,1,2,2]
的结果将被存储在大小max(i)+1
的一个新的数组。因此,例如i=[0,0,0,0,0]
将相当于求和d
的所有元件和存储在尺寸0
的新阵列的位置1
结果。
我试图执行此使用
c = zeros(max(i)+1)
c[i] += d
然而,+=
操作将每个元件仅一次,由此得到的出乎意料的结果
[1,1,1]
,而不是
[2,1,2]
如何将一个正确地实现这种求和?
解决方案
此溶液应该是大的阵列更有效(它遍历代替i
的各个条目的可能的索引值):
import numpy as np
i = np.array([0,0,1,2,2])
d = np.array([0,1,2,3,4])
i_max = i.max()
c = np.empty(i_max+1)
for j in range(i_max+1):
c[j] = d[i==j].sum()
print c
[1. 2. 7.]
其他提示
如果我理解正确的问题,存在对这样的快速功能(只要所述数据阵列是1d)的
>>> i = np.array([0,0,1,2,2])
>>> d = np.array([0,1,2,3,4])
>>> np.bincount(i, weights=d)
array([ 1., 2., 7.])
np.bincount回报所有整数的数组范围(MAX(i))的,即使有些计数零
Juh_的评论是最有效的解决方案。这里的工作代码:
import numpy as np
import scipy.ndimage as ni
i = np.array([0,0,1,2,2])
d = np.array([0,1,2,3,4])
n_indices = i.max() + 1
print ni.sum(d, i, np.arange(n_indices))
def zeros(ilen):
r = []
for i in range(0,ilen):
r.append(0)
i_list = [0,0,1,2,2]
d = [1,1,1,1,1]
result = zeros(max(i_list)+1)
for index in i_list:
result[index]+=d[index]
print result
在一般情况下,当你通过标签要总和子矩阵可以使用以下代码
import numpy as np
from scipy.sparse import coo_matrix
def labeled_sum1(x, labels):
P = coo_matrix((np.ones(x.shape[0]), (labels, np.arange(len(labels)))))
res = P.dot(x.reshape((x.shape[0], np.prod(x.shape[1:]))))
return res.reshape((res.shape[0],) + x.shape[1:])
def labeled_sum2(x, labels):
res = np.empty((np.max(labels) + 1,) + x.shape[1:], x.dtype)
for i in np.ndindex(x.shape[1:]):
res[(...,)+i] = np.bincount(labels, x[(...,)+i])
return res
第一种方法使用稀疏矩阵乘法。第二个是user333700的答案的概括。这两种方法都具有相当的速度:
x = np.random.randn(100000, 10, 10)
labels = np.random.randint(0, 1000, 100000)
%time res1 = labeled_sum1(x, labels)
%time res2 = labeled_sum2(x, labels)
np.all(res1 == res2)
输出:
Wall time: 73.2 ms
Wall time: 68.9 ms
True
不隶属于 StackOverflow