Comment supprimer des colonnes dans numpy.array

Question

Je voudrais supprimer les colonnes sélectionnées dans un fichier numpy.array. Voici ce que je fais:

n [397]: a = array([[ NaN,   2.,   3., NaN],
   .....:        [  1.,   2.,   3., 9]])

In [398]: print a
[[ NaN   2.   3.  NaN]
 [  1.   2.   3.   9.]]

In [399]: z = any(isnan(a), axis=0)

In [400]: print z
[ True False False  True]

In [401]: delete(a, z, axis = 1)
Out[401]:
 array([[  3.,  NaN],
       [  3.,   9.]])

Dans cet exemple, mon objectif est de supprimer toutes les colonnes contenant des NaN. J'attends la dernière commande pour aboutir à:

array([[2., 3.],
       [2., 3.]])

Comment puis-je faire cela?

Answer 1

Étant donné son nom, je pense que la méthode standard devrait être delete :

import numpy as np

A = np.delete(A, 1, 0)  # delete second row of A
B = np.delete(B, 2, 0)  # delete third row of B
C = np.delete(C, 1, 1)  # delete second column of C

Selon la page de documentation de numpy , les paramètres de numpy.delete sont les suivants:

numpy.delete (arr, obj, axis = None)

• arr fait référence au tableau d'entrée,
• obj fait référence à quels sous-tableaux (par exemple, le numéro de colonne / ligne ou la tranche du tableau) et
• axe fait référence à une opération de suppression de colonne ( axe = 1 ) ou de rangée ( axis = 0 ).

Answer 2

Exemple tiré de documentation sur le numpy :

>>> a = numpy.array([[ 0,  1,  2,  3],
               [ 4,  5,  6,  7],
               [ 8,  9, 10, 11],
               [12, 13, 14, 15]])

>>> numpy.delete(a, numpy.s_[1:3], axis=0)                       # remove rows 1 and 2

array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])

>>> numpy.delete(a, numpy.s_[1:3], axis=1)                       # remove columns 1 and 2

array([[ 0,  3],
       [ 4,  7],
       [ 8, 11],
       [12, 15]])

Answer 3

Vous pouvez également utiliser des tableaux masqués:

import numpy as np
a = np.array([[ np.nan,   2.,   3., np.nan], [  1.,   2.,   3., 9]])
print(a)
# [[ NaN   2.   3.  NaN]
#  [  1.   2.   3.   9.]]

La méthode np.ma.masked_invalid renvoie un tableau masqué avec nans et infs masqués:

print(np.ma.masked_invalid(a))
[[-- 2.0 3.0 --]
 [1.0 2.0 3.0 9.0]]

La méthode np.ma.compress_cols renvoie un tableau à deux dimensions avec toute colonne contenant valeur masquée supprimée:

a=np.ma.compress_cols(np.ma.masked_invalid(a))
print(a)
# [[ 2.  3.]
#  [ 2.  3.]]

Voir manipuler-un-masqueedarray

Answer 4

Ceci crée un autre tableau sans ces colonnes:

  b = a.compress(logical_not(z), axis=1)

Answer 5

De la documentation Numpy

np.delete (arr, obj, axis = None)     Renvoie un nouveau tableau avec des sous-tableaux le long d'un axe supprimé.

>>> arr
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
>>> np.delete(arr, 1, 0)
array([[ 1,  2,  3,  4],
       [ 9, 10, 11, 12]])

>>> np.delete(arr, np.s_[::2], 1)
array([[ 2,  4],
       [ 6,  8],
       [10, 12]])
>>> np.delete(arr, [1,3,5], None)
array([ 1,  3,  5,  7,  8,  9, 10, 11, 12])

Answer 6

Dans votre cas, vous pouvez extraire les données souhaitées avec:

a[:, -z]

" -z " est la négation logique du tableau booléen "z". C'est la même chose que:

a[:, logical_not(z)]

Answer 7

>>> A = array([[ 1,  2,  3,  4],
               [ 5,  6,  7,  8],
               [ 9, 10, 11, 12]])

>>> A = A.transpose()

>>> A = A[1:].transpose()

Answer 8

Suppression des colonnes de matrice contenant NaN. C’est une réponse longue mais, espérons-le, facile à suivre.

def column_to_vector(matrix, i):
    return [row[i] for row in matrix]
import numpy
def remove_NaN_columns(matrix):
    import scipy
    import math
    from numpy import column_stack, vstack

    columns = A.shape[1]
    #print("columns", columns)
    result = []
    skip_column = True
    for column in range(0, columns):
        vector = column_to_vector(A, column)
        skip_column = False
        for value in vector:
            # print(column, vector, value, math.isnan(value) )
            if math.isnan(value):
                skip_column = True
        if skip_column == False:
            result.append(vector)
    return column_stack(result)

### test it
A = vstack(([ float('NaN'), 2., 3., float('NaN')], [ 1., 2., 3., 9]))
print("A shape", A.shape, "\n", A)
B = remove_NaN_columns(A)
print("B shape", B.shape, "\n", B)

A shape (2, 4) 
 [[ nan   2.   3.  nan]
 [  1.   2.   3.   9.]]
B shape (2, 2) 
 [[ 2.  3.]
 [ 2.  3.]]