如何解决在numpy中将几个小矩阵分配到一个大矩阵上的最有效方法
array([[2,1,2,4,3,2],[3,4],[1,1],[2,3],1]])
以及形状为 (5,2) 的位置数组 B
array([[4,5],# row 4,column 5
[2,[4,[6,7]])
和几个形状为 (5,2) 的小矩阵 C
array([[[7,9],7]],[[6,6],[9,6]],[[9,[8,9]],[[8,7],[7,7]]])
现在,我想将这 5 个小矩阵分配给大矩阵。这些位置是小矩阵左上角的位置。如果存在重叠区域,我们可以使用最后一个,最大值或仅求和。我想要的效果看起来像
A[B] += C
for 循环实现如下所示:
for i in range(B.shape[0]):
A[B[i][0]:B[i][0]+2,B[i][1]:B[i][1]+2] += C[i]
预期的结果看起来像
array([[ 2,[ 3,[ 1,9,13,10,12,7,11,8,[ 2,1]])
有没有没有 for 循环的解决方案?
解决方法
一个简单的 forloop 可以解决这个问题:
import numpy as np
initial = np.array([
[2,1,2,4,3,2],[3,4],[1,1],[2,3],])
offsets = np.array([[4,5],[4,[6,7]])
subarrays = np.array([
[[7,9],7]],[[6,6],[9,6]],[[9,[8,9]],[[8,7],[7,])
for subarray,offset in zip(subarrays,offsets):
(a,b),(c,d) = offset,subarray.shape
initial[a:a+c,b:b+d] += subarray
print(initial)
,
你的数组:
In [58]: A = np.array([[2,...: [3,...: [1,...: [2,1]])
In [59]: B=np.array([[4,# row 4,column 5
...: [2,...: [4,...: [6,7]])
In [60]: C=np.array([[[7,...: [6,...:
...: [[6,...: [9,...:
...: [[9,...: [8,...:
...: [[8,...: [7,7]]])
你的迭代,清理了一下:
In [72]: for cnt,(i,j) in enumerate(B):
...: A[i:i+2,j:j+2] += C[cnt]
...:
In [73]: A
Out[73]:
array([[ 2,[ 3,[ 1,9,13,10,12,7,11,8,[ 2,1]])
为了让动作更清晰,让我们从一个 0 数组开始:
In [76]: A = np.zeros_like(Acopy)
In [77]: for cnt,j:j+2] += C[cnt]
...:
In [78]: A
Out[78]:
array([[0,0],[0,6,0]])
我没有看到重叠,所以我认为我们可以从 B
构造一个索引数组,这将使我们能够:
A[B1] += C
如果有重叠,它会写入最后一个 C
值。
如果我们不喜欢那样,还有 np.add.at
ufunc
可以执行无缓冲加法(甚至 np.max.at
)。
但是计算出所需的 B1
索引需要一些时间。
编辑
这是使用 +=
的一种方式。我正在使用 linspace
构建一个多维索引,它将用于代替切片。获得正确的形状需要大量的反复试验和测试(在交互式会话中)。只要块不重叠,这就是快速且正确的。但如 np.add.at
所述,当存在重复索引时,这与迭代方法不匹配。
In [125]: B1 = B+2
In [126]: I = np.linspace(B,B1,endpoint=False).astype(int)
In [127]: A1 =np.zeros_like(Acopy)
In [128]: A1[I[:,:,0][:,None],I[:,1]] += C.transpose(1,0)
In [129]: np.allclose(A1,A)
Out[129]: True
I
是一个 (2,5,2) 形状数组,其中“步数”的前 2 个
在 [130] 中:我
出[130]:
数组([[[4,
[[5,[5,8]]])
并且由于 C
子数组是 (2,2),这与:np.stack([B,B+1])
需要 C
转置,因为 A1
的这个索引产生了一个 (2,5) 数组:
In [134]: A1[I[:,1]]
Out[134]:
array([[[7,8],7]]])
In [135]: _.shape
Out[135]: (2,5)
如果某些块重叠,可以使用 np.add.at
对重叠进行求和:
In [137]: A1 =np.zeros_like(Acopy)
In [138]: np.add.at(A1,(I[:,1]),C.transpose(1,0))
In [140]: np.allclose(A1,A)
Out[140]: True
或最大的
In [143]: np.maximum.at(A1,0))
In [144]: np.allclose(A1,A)
,
看,我已经尝试过,没有使用任何类型的循环
import numpy as np
A=np.array([[2,1]])
B= np.array([[4,column 5
[2,7]])
C=np.array([[[7,7]]])
D= np.array([[ 2,# this is required
[ 3,1]])
我们需要 A==D。 我为 C 的所有值创建了行和列索引。
b_row=np.repeat(np.c_[B[:,B[:,0]+1],repeats=2,axis=1).ravel()
b_col=np.repeat(np.c_[B[:,1]+1],axis=0).ravel()
print(np.c_[bx,by]) # to see indexes
A[b_row,b_col]+=C.ravel()
现在你可以检查
print(A==D)
False in (A==D)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。