从numpy矩阵中提取子矩阵的快速方法

Question

我有一个巨大的.csv 文件（~2GB），我用read_csv 在我的程序中导入它，然后用as_matrix 转换为一个numpy 矩阵。生成的矩阵的形式类似于下面给出的示例中的data_mat。我现在的问题是，我需要提取具有相同 uuid4 的块（矩阵第一列中的条目）。然后由另一个函数处理子矩阵。看来我下面的例子并不是最好的方法。欢迎使用更快的方法。

import numpy as np
data_mat = np.array([['f9f1dc71-9457-4d17-b5d1-e63b5a766f84', 4, 3, 1],\
                     ['f9f1dc71-9457-4d17-b5d1-e63b5a766f84', 3, 1, 1],\
                     ['f9f1dc71-9457-4d17-b5d1-e63b5a766f84', 3, 3, 1],\
                     ['f9f1dc71-9457-4d17-b5d1-e63b5a766f84', 6, 1, 1],\
                     ['f35fb25b-dddc-458a-9f71-0a9c2c202719', 3, 4, 1],\
                     ['f35fb25b-dddc-458a-9f71-0a9c2c202719', 3, 1, 1],\
                     ['a4cf92fc-0624-4a00-97f6-0d21547e3183', 3, 2, 1],\
                     ['a4cf92fc-0624-4a00-97f6-0d21547e3183', 3, 9, 0],\
                     ['a4cf92fc-0624-4a00-97f6-0d21547e3183', 3, 1, 0],\
                     ['a4cf92fc-0624-4a00-97f6-0d21547e3183', 5, 1, 1],\
                     ['a4cf92fc-0624-4a00-97f6-0d21547e3183', 3, 1, 1],\
                     ['d3a8a9d0-4380-42e3-b35f-733a9f9770da', 3, 6, 10]],dtype=object)

unique_ids, indices = np.unique(data_mat[:,0],return_index=True,axis=None)
length = len(data_mat)
i=0
for idd in unique_ids:
    index = indices[i]
    k=0
    while ((index+k)<length and idd == data_mat[index+k,0]):        
        k+=1
    tmp_mat=data_mat[index:(index+k),:]
    # do something with tmp_mat ...
    print(tmp_mat)
    i+=1

Answer 1

一旦我们进入循环，优化这个想法就是最小化计算。因此，考虑到这一点，我们将重新排列数组的行，按第一列排序。然后，获取定义边界的索引。最后，开始我们的循环并简单地对每个组进行切片，以便在每次迭代时获得一个子矩阵。使用数组时，切片几乎是免费的，所以这应该对我们有所帮助。

因此，一种实现方式是 -

a0 = data_mat[:,0]
sidx = a0.argsort()
sd = data_mat[sidx] # sorted data_mat
idx = np.flatnonzero(np.concatenate(( [True], sd[1:,0] != sd[:-1,0], [True] )))
for i,j in zip(idx[:-1], idx[1:]):
    tmp_mat = sd[i:j]
    print tmp_mat

如果您希望将每个子矩阵存储为一个数组以将数组列表作为最终输出，只需执行 -

[sd[i:j] for i,j in zip(idx[:-1], idx[1:])]

---

对于已排序的data_mat

对于 data_mat 已经排序的情况，如示例所示，我们可以避免对整个数组进行排序并直接使用第一列，就像这样 -

a0 = data_mat[:,0]
idx = np.flatnonzero(np.concatenate(( [True], a0[1:] != a0[:-1], [True] )))

for i,j in zip(idx[:-1], idx[1:]):
    tmp_mat = data_mat[i:j]
    print(tmp_mat)

同样，要将所有这些子矩阵作为数组列表，请使用 -

[data_mat[i:j] for i,j in zip(idx[:-1], idx[1:])]

请注意，我们使用此方法获得的子矩阵的顺序与前一种方法中的排序不同。

---

排序data_mat 的基准测试

方法-

# @Daniel F's soln-2
def split_app(data_mat):
    idx = np.flatnonzero(data_mat[1:, 0] != data_mat[:-1, 0]) + 1
    return np.split(data_mat, idx)

# Proposed in this post
def zip_app(data_mat):
    a0 = data_mat[:,0]
    idx = np.flatnonzero(np.concatenate(( [True], a0[1:] != a0[:-1], [True] )))
    return [data_mat[i:j] for i,j in zip(idx[:-1], idx[1:])]

时间安排 -

在示例中，我们有一个最大长度为6 的子矩阵。所以，让我们扩展到一个更大的案例，让它保持相同的模式 -

In [442]: a = np.random.randint(0,100000,(6*100000,4)); a[:,0].sort()

In [443]: %timeit split_app(a)
10 loops, best of 3: 88.8 ms per loop

In [444]: %timeit zip_app(a)
10 loops, best of 3: 40.2 ms per loop

In [445]: a = np.random.randint(0,1000000,(6*1000000,4)); a[:,0].sort()

In [446]: %timeit split_app(a)
1 loop, best of 3: 917 ms per loop

In [447]: %timeit zip_app(a)
1 loop, best of 3: 414 ms per loop

Answer 2

您可以使用布尔索引来做到这一点。

unique_ids = np.unique(data_mat[:, 0])
masks = np.equal.outer(unique_ids, data_mat[:, 0])
for mask in masks:
    tmp_mat = data_mat[mask]
    # do something with tmp_mat ...
    print(tmp_mat)

Answer 3

如果唯一 ID 已分组，您可以使用 np.split 进行此操作，类似于 @Divakar

idx = np.flatnonzero(data_mat[1:, 0] != data_mat[:-1, 0]) + 1
for tmp_mat in np.split(data_mat, idx):
    # do something with tmp_mat ...
    print(tmp_mat)