我有一个二维整数数组，我们称它为“ A”。
我想创建一个全为1和0的3维数组“ B”，以便：
sum(B[i,j,:])==A[i.j]，即，B[i,j,:]包含A[i,j] 1s在它我知道我将如何使用标准的python索引来执行此操作，但是结果却很慢。
我正在寻找一种方法来利用可以使Numpy快速运行的功能。
这是我使用标准索引的方法：
B=np.zeros((X,Y,Z))
indexoptions=range(Z)
for i in xrange(Y):
for j in xrange(X):
replacedindices=np.random.choice(indexoptions,size=A[i,j],replace=False)
B[i,j,[replacedindices]]=1
有人可以解释一下我如何更快地做到这一点吗？
编辑：这是一个示例“ A”：
A=np.array([[0,1,2,3,4],[0,1,2,3,4],[0,1,2,3,4],[0,1,2,3,4],[0,1,2,3,4]])
在这种情况下X = Y = 5和Z> = 5
本质上与@JohnZwinck和@DSM相同，但具有shuffle用于改编给定轴的功能：
import numpy as np
def shuffle(a, axis=-1):
"""
Shuffle `a` in-place along the given axis.
Apply numpy.random.shuffle to the given axis of `a`.
Each one-dimensional slice is shuffled independently.
"""
b = a.swapaxes(axis,-1)
# Shuffle `b` in-place along the last axis. `b` is a view of `a`,
# so `a` is shuffled in place, too.
shp = b.shape[:-1]
for ndx in np.ndindex(shp):
np.random.shuffle(b[ndx])
return
def random_bits(a, n):
b = (a[..., np.newaxis] > np.arange(n)).astype(int)
shuffle(b)
return b
if __name__ == "__main__":
np.random.seed(12345)
A = np.random.randint(0, 5, size=(3,4))
Z = 6
B = random_bits(A, Z)
print "A:"
print A
print "B:"
print B
输出：
A:
[[2 1 4 1]
[2 1 1 3]
[1 3 0 2]]
B:
[[[1 0 0 0 0 1]
[0 1 0 0 0 0]
[0 1 1 1 1 0]
[0 0 0 1 0 0]]
[[0 1 0 1 0 0]
[0 0 0 1 0 0]
[0 0 1 0 0 0]
[1 0 1 0 1 0]]
[[0 0 0 0 0 1]
[0 0 1 1 1 0]
[0 0 0 0 0 0]
[0 0 1 0 1 0]]]
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