2D numpy 数组上的条件数学运算检查一维并在不同维度上执行不同的操作答案

【问题标题】：Conditional maths operation on 2D numpy array checking on one dimension and doing different operations on diff dimensions2D numpy 数组上的条件数学运算检查一维并在不同维度上执行不同的操作
【发布时间】：2015-08-14 08:46:16
【问题描述】：

我有一个 2D numpy 数组，其中第 0 列是设备的平移旋转，第 1 列是倾斜旋转。每一行都是不同的夹具。我想在每一行上运行以下逻辑：

if(pantilt[0] > 90):
    pantilt[0] -=180
    pantilt[1] *= -1
elif pantilt[0] < -90:
    pantilt[0] += 180
    pantilt[1] *= -1

我了解 1D 上的基本条件操作，例如 myarray[condition] = something。但我无法将其推断为更多维度。

【问题讨论】：

标签： python arrays numpy multidimensional-array vectorization

【解决方案1】：

我会计算一个掩码或布尔索引，并为每一列使用 if：

构造一个样本数组：

pantilt=np.column_stack([np.linspace(-180,180,11),np.linspace(0,90,11)])

I = pantilt[:,0]>90
# J = pantilt[:,0]<-90 
pantilt[I,0] -= 180
pantilt[I,1] *= -1

I = pantilt[:,0]<-90  # could use J instead
pantilt[I,0] += 180
pantilt[I,1] *= -1

之前：

array([[-180.,    0.],
       [-144.,    9.],
       [-108.,   18.],
       [ -72.,   27.],
       [ -36.,   36.],
       [   0.,   45.],
       [  36.,   54.],
       [  72.,   63.],
       [ 108.,   72.],
       [ 144.,   81.],
       [ 180.,   90.]])

之后：

array([[  0.,  -0.],
       [ 36.,  -9.],
       [ 72., -18.],
       [-72.,  27.],
       [-36.,  36.],
       [  0.,  45.],
       [ 36.,  54.],
       [ 72.,  63.],
       [-72., -72.],
       [-36., -81.],
       [  0., -90.]])

如果列是单独的一维数组，这也同样有效。

【讨论】：

【解决方案2】：

这个怎么样：

pantilt[:,0][pantilt[:,0]>90] -= 180
pantilt[:,1][pantilt[:,0]>90] *= -1
pantilt[:,0][pantilt[:,0]<-90] += 180
pantilt[:,1][pantilt[:,0]<-90] *= -1

【讨论】：

哇，这看起来比我想象的要简单得多！我没有想到要检查两次。虽然我认为应该交换索引并且更复杂一点？在我编写的简单代码（即内核）中，我的 pantilt[0] 是平移，而 pantilt[1] 是倾斜的。当向量化到表 pantilt_array[0] 将返回第一个 pantilt 条目，而不是第一列？同样在做检查的时候，不应该是 pantilt_array[:, 0]>90 吗？
是的，你说得对，很好，我已经编辑了我的答案（我实际上不习惯直接使用 numpy 数组；我通常使用 pandas 以便列有名称）跨度>
实际上，我认为这也行不通！因为一旦覆盖第一列，第二个条件就会失败！所以你需要最后做一个。我也不懂 [,][] 语法。在 [] 中使用逗号与 [][] 不一样吗？在 [] 和附加的 [] 中使用逗号是什么意思？
我认为没关系：[pantilt[:,0]>90] 是一个索引器，即一个布尔数组，它选择条件为真的行。所以只有那些行被更新。而[:,0] 是一个列切片器，所以它返回整个第一列。

【解决方案3】：

受this another related answer 的启发，可以分三步使用masking，而不是像其他两个解决方案中建议的四步，像这样 -

import numpy as np

# Get mask correspindig to IF conditional statements in original code
mask_lt = pantilt[:,0]<-90
mask_gt = pantilt[:,0]>90

# Edit the first column as per the statements in original code
pantilt[:,0][mask_gt] -= 180
pantilt[:,0][mask_lt] += 180

# Edit the second column as per the statements in original code
pantilt[ mask_lt | mask_gt,1] *= -1

运行时测试

快速运行时测试以比较目前列出的三种方法 -

In [530]: num_samples = 10000
     ...: org = np.random.randint(-180,180,(num_samples,2))
     ...: 

In [531]: pantilt = org.copy()

In [532]: %timeit hpaulj_mask4(pantilt)
10000 loops, best of 3: 27.7 µs per loop

In [533]: pantilt = org.copy()

In [534]: %timeit maxymoo_mask4(pantilt)
10000 loops, best of 3: 33.7 µs per loop

In [535]: pantilt = org.copy()

In [536]: %timeit mask3(pantilt) # three-step masking approach from this solution
10000 loops, best of 3: 22.1 µs per loop

【讨论】：