encontrar longitud de las secuencias de valores idénticos en una matriz numpy (codificación de longitud de ejecución)
-
21-08-2019 - |
Pregunta
En un programa pylab (que probablemente podría ser un programa MATLAB también) Tengo una serie de números que representan numpy distancias: d[t]
es el Distancia en el momento t
(y el intervalo de tiempo de mis datos es len(d)
unidades de tiempo).
Los acontecimientos que me interesan son cuando la distancia es inferior a un cierto umbral, y quiero calcular la duración de estos eventos. Es fácil obtener una matriz de booleanos con b = d<threshold
, y el problema se reduce a calcular la secuencia de las longitudes de las Verdadero sólo palabras b
. Pero no sé cómo hacerlo de manera eficiente (es decir, utilizando las primitivas numpy), y recurrí a recorrer la matriz y para hacer la detección de cambios manual (es decir, inicializar el contador cuando el valor va de falso a verdadero, aumentar el contador, siempre y cuando el valor es True , y la salida del contador a la secuencia cuando el valor se remonta a Falso). Pero esto es tremendamente lento.
¿Cómo detectar efficienly ese tipo de secuencias en las matrices numpy?
A continuación se muestra un código Python que ilustra mi problema: el cuarto punto tarda mucho tiempo en aparecer (si no es así, aumentar el tamaño de la matriz)
from pylab import *
threshold = 7
print '.'
d = 10*rand(10000000)
print '.'
b = d<threshold
print '.'
durations=[]
for i in xrange(len(b)):
if b[i] and (i==0 or not b[i-1]):
counter=1
if i>0 and b[i-1] and b[i]:
counter+=1
if (b[i-1] and not b[i]) or i==len(b)-1:
durations.append(counter)
print '.'
Solución
Si bien no numpy
primitivas, itertools
funciones son a menudo muy rápido, por lo que dan a éste un intento (y medir el tiempo en varias soluciones incluyendo éste, por supuesto):
def runs_of_ones(bits):
for bit, group in itertools.groupby(bits):
if bit: yield sum(group)
Si es necesario los valores en una lista, la lista (runs_of_ones (bits)) solo se puede utilizar, por supuesto; pero tal vez una lista por comprensión podría ser marginalmente más rápido sigue:
def runs_of_ones_list(bits):
return [sum(g) for b, g in itertools.groupby(bits) if b]
Mover a posibilidades "numpy-nativa", ¿qué pasa con:
def runs_of_ones_array(bits):
# make sure all runs of ones are well-bounded
bounded = numpy.hstack(([0], bits, [0]))
# get 1 at run starts and -1 at run ends
difs = numpy.diff(bounded)
run_starts, = numpy.where(difs > 0)
run_ends, = numpy.where(difs < 0)
return run_ends - run_starts
Una vez más: asegúrese de soluciones de referencia contra los demás en realista-para-usted los ejemplos
Otros consejos
Totalmente numpy RLE vectorizado y genérico para cualquier matriz (funciona con cadenas, booleanos, etc también).
Salidas tupla de longitudes de secuencia, las posiciones de inicio y valores.
import numpy as np
def rle(inarray):
""" run length encoding. Partial credit to R rle function.
Multi datatype arrays catered for including non Numpy
returns: tuple (runlengths, startpositions, values) """
ia = np.asarray(inarray) # force numpy
n = len(ia)
if n == 0:
return (None, None, None)
else:
y = np.array(ia[1:] != ia[:-1]) # pairwise unequal (string safe)
i = np.append(np.where(y), n - 1) # must include last element posi
z = np.diff(np.append(-1, i)) # run lengths
p = np.cumsum(np.append(0, z))[:-1] # positions
return(z, p, ia[i])
bastante rápido (i7):
xx = np.random.randint(0, 5, 1000000)
%timeit yy = rle(xx)
100 loops, best of 3: 18.6 ms per loop
tipos de datos múltiples:
rle([True, True, True, False, True, False, False])
Out[8]:
(array([3, 1, 1, 2]),
array([0, 3, 4, 5]),
array([ True, False, True, False], dtype=bool))
rle(np.array([5, 4, 4, 4, 4, 0, 0]))
Out[9]: (array([1, 4, 2]), array([0, 1, 5]), array([5, 4, 0]))
rle(["hello", "hello", "my", "friend", "okay", "okay", "bye"])
Out[10]:
(array([2, 1, 1, 2, 1]),
array([0, 2, 3, 4, 6]),
array(['hello', 'my', 'friend', 'okay', 'bye'],
dtype='|S6'))
mismos resultados que Alex Martelli arriba:
xx = np.random.randint(0, 2, 20)
xx
Out[60]: array([1, 1, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1])
am = runs_of_ones_array(xx)
tb = rle(xx)
am
Out[63]: array([4, 5, 2, 5])
tb[0][tb[2] == 1]
Out[64]: array([4, 5, 2, 5])
%timeit runs_of_ones_array(xx)
10000 loops, best of 3: 28.5 µs per loop
%timeit rle(xx)
10000 loops, best of 3: 38.2 µs per loop
Un poco más lento que Alex (pero sigue siendo muy rápido), y mucho más flexible.
Aquí está una solución utilizando sólo arrays:. Que se necesita una matriz que contiene una secuencia de Bools y cuenta la longitud de las transiciones
>>> from numpy import array, arange
>>> b = array([0,0,0,1,1,1,0,0,0,1,1,1,1,0,0], dtype=bool)
>>> sw = (b[:-1] ^ b[1:]); print sw
[False False True False False True False False True False False False
True False]
>>> isw = arange(len(sw))[sw]; print isw
[ 2 5 8 12]
>>> lens = isw[1::2] - isw[::2]; print lens
[3 4]
sw
contiene un cierto cuando hay un interruptor, isw
los convierte en índices. Los elementos de ISW se restan pairwise en lens
.
Observe que si la secuencia comenzó con un 1 sería contar la longitud de las secuencias de 0s: esto se puede solucionar en la indización para calcular lente. Además, no he probado casos de esquina tales secuencias de longitud 1.
Función completa que devuelve iniciar posiciones y longitudes de todos los True
- submatrices.
import numpy as np
def count_adjacent_true(arr):
assert len(arr.shape) == 1
assert arr.dtype == np.bool
if arr.size == 0:
return np.empty(0, dtype=int), np.empty(0, dtype=int)
sw = np.insert(arr[1:] ^ arr[:-1], [0, arr.shape[0]-1], values=True)
swi = np.arange(sw.shape[0])[sw]
offset = 0 if arr[0] else 1
lengths = swi[offset+1::2] - swi[offset:-1:2]
return swi[offset:-1:2], lengths
Probado para diferentes bool 1D-matrices (matriz vacía; elementos individuales / múltiple; incluso / longitudes impares; comenzó con False
/ <=>; con solamente <=> / <=> elementos).
Por si acaso alguien tiene curiosidad (y ya que ha mencionado de pasada MATLAB), aquí está una manera de resolverlo en MATLAB:
threshold = 7;
d = 10*rand(1,100000); % Sample data
b = diff([false (d < threshold) false]);
durations = find(b == -1)-find(b == 1);
No estoy muy familiarizado con Python, pero tal vez esto podría ayudar a darle algunas ideas. =)
durations = []
counter = 0
for bool in b:
if bool:
counter += 1
elif counter > 0:
durations.append(counter)
counter = 0
if counter > 0:
durations.append(counter)