我有一个看起来像这样的矩阵:
a = np.random.rand(3, 3, 3)
[[[0.04331462, 0.30333583, 0.37462236],
[0.30225757, 0.35859228, 0.57845153],
[0.49995805, 0.3539933, 0.11172398]],
[[0.28983508, 0.31122743, 0.67818926],
[0.42720309, 0.24416101, 0.5469823 ],
[0.22894097, 0.76159389, 0.80416832]],
[[0.25661154, 0.64389696, 0.37555374],
[0.87871659, 0.27806621, 0.3486518 ],
[0.26388296, 0.8993144, 0.7857116 ]]]
我想检查每个块的值是否小于 0.2。如果值小于 0.2,则整个块等于 0.2。在这种情况下:
[[[0.2 0.2 0.2]
[0.2 0.2 0.2]
[0.2 0.2 0.2]]
[[0.28983508 0.31122743 0.67818926]
[0.42720309 0.24416101 0.5469823 ]
[0.22894097 0.76159389 0.80416832]]
[[0.25661154 0.64389696 0.37555374]
[0.87871659 0.27806621 0.3486518 ]
[0.26388296 0.8993144 0.7857116 ]]]
这是获得所需内容的矢量化方式。
以a
你的例子为例:
a[(a < 0.2).any(axis=1).any(axis=1)] = 0.2
print(a)
给出:
array([[[ 0.2 , 0.2 , 0.2 ],
[ 0.2 , 0.2 , 0.2 ],
[ 0.2 , 0.2 , 0.2 ]],
[[ 0.28983508, 0.31122743, 0.67818926],
[ 0.42720309, 0.24416101, 0.5469823 ],
[ 0.22894097, 0.76159389, 0.80416832]],
[[ 0.25661154, 0.64389696, 0.37555374],
[ 0.87871659, 0.27806621, 0.3486518 ],
[ 0.26388296, 0.8993144 , 0.7857116 ]]])
解释:
再举一个例子,其中每一步都会更加清晰:
a = np.array([[[0.51442898, 0.90447442, 0.45082496],
[0.59301203, 0.30025497, 0.43517362],
[0.28300437, 0.64143037, 0.73974422]],
[[0.228676 , 0.59093859, 0.14441217],
[0.37169639, 0.57230533, 0.81976775],
[0.95988687, 0.43372407, 0.77616701]],
[[0.03098771, 0.80023031, 0.89061113],
[0.86998351, 0.39619143, 0.16036088],
[0.24938437, 0.79131954, 0.38140462]]])
让我们看看哪些元素小于 0.2:
print(a < 0.2)
给出:
array([[[False, False, False],
[False, False, False],
[False, False, False]],
[[False, False, True],
[False, False, False],
[False, False, False]],
[[ True, False, False],
[False, False, True],
[False, False, False]]])
从这里我们想得到那些至少有一个True
元素的二维数组的索引:[False, True, True]
。我们np.any
为此需要。请注意,我将在np.ndarray.any
这里使用方法链而不是嵌套np.any
. 1
现在只使用(a < 0.2).any()
将给出只是True
因为默认情况下它在所有维度上执行逻辑或。我们必须指定axis
参数。在我们的例子中,我们可以使用axis=1
或axis=2
。2
print((a < 0.2).any(axis=1))
给出3:
array([[False, False, False],
[False, False, True],
[ True, False, True]])
从这里我们通过.any()
沿行应用另一个布尔索引来获得所需的布尔索引:
print((a < 0.2).any(axis=1).any(axis=1))
给出:
array([False, True, True])
最后,我们可以简单地使用这个布尔索引数组来替换原始数组的值:
a[(a < 0.2).any(axis=1).any(axis=1)] = 0.2
print(a)
给出:
array([[[0.51442898, 0.90447442, 0.45082496],
[0.59301203, 0.30025497, 0.43517362],
[0.28300437, 0.64143037, 0.73974422]],
[[0.2 , 0.2 , 0.2 ],
[0.2 , 0.2 , 0.2 ],
[0.2 , 0.2 , 0.2 ]],
[[0.2 , 0.2 , 0.2 ],
[0.2 , 0.2 , 0.2 ],
[0.2 , 0.2 , 0.2 ]]])
1只是比较链接:
a[(a < 0.2).any(axis=1).any(axis=1)] = 0.2
带嵌套:
a[np.any(np.any(a < 0.2, axis=1), axis=1)] = 0.2
我认为后者更令人困惑。
2对我来说,这起初很难理解。帮助我的是绘制一个 3x3x3 立方体的图像,打印不同轴的结果,并检查哪个轴对应哪个方向。此外,这里是np.sum
在 3D 情况下使用轴的说明:numpy 多维数组中的轴。
3可以期望立即获得[False, True, True]
,但情况并非如此。有关解释,请参阅:矩阵的 numpy.any 上的小说明
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句