屏蔽 4D 布尔 numpy 数组的最快方法

Question

使用 2D 布尔掩码屏蔽 4D 布尔数组的最有效方法。

我尝试了两种方法：

A.将遮罩重塑为 4D 并遮罩

B.将倒置蒙版重塑为 4D 并乘以两个矩阵

import numpy as np
import time

I = 150
J = 2000
K = I
S = 25

matrix_to_mask = np.random.choice(a=[True, False], size=(I, J, K, S))
mask_2d = np.random.choice(a=[True, False], size=(I, S))

t = time.time()
matrix_to_mask[np.tile(mask_2d[:, np.newaxis, np.newaxis, :], (1, J, K, 1))] = False
print("Mask: " + str(time.time() - t)) # 2.77 sec

t = time.time()
a = matrix_to_mask * np.tile(np.invert(mask_2d)[:, np.newaxis, np.newaxis, :], (1, J, K, 1))
print("Product: " + str(time.time() - t)) # 1 sec

有没有其他方法可以加快蒙版速度？

谢谢

Answer 1

我会为此使用np.broadcast_to。广播会生成低维数组的“虚拟”副本。例如。该数组沿您指定的维度重复，但没有分配新的内存，它只会指向原始值。所以这更有效，因为它使用的内存更少，而且速度更快，因为它不花时间分配。

t = time.time()
mask_4d = np.broadcast_to(mask_2d, matrix_to_mask.shape)

a = matrix_to_mask * mask_4d
# matrix_to_mask[mask_4d] = False
print("Broadcast: " + str(time.time() - t))

所以：

import numpy as np
import time

I = 150
J = 1000
K = I
S = 25

matrix_to_mask = np.random.choice(a=[True, False], size=(I, J, K, S))
mask_2d = np.random.choice(a=[True, False], size=(I, S))

t = time.time()
matrix_to_mask[np.tile(mask_2d[:, np.newaxis, np.newaxis, :], (1, J, K, 1))] = False
print("Mask: " + str(time.time() - t)) # 2.77 sec

t = time.time()
a = matrix_to_mask * np.tile(mask_2d[:, np.newaxis, np.newaxis, :], (1, J, K, 1))
print("Product: " + str(time.time() - t)) # 1 sec

t = time.time()
mask_4d = np.broadcast_to(mask_2d, matrix_to_mask.shape)

a = matrix_to_mask * mask_4d
# matrix_to_mask[mask_4d] = False
print("Broadcast: " + str(time.time() - t))

面具：2.0803346633911133

产品：0.8886129856109619

广播：0.4950692653656006

也就是说，我检查了获得的掩码和您使用np.tile(mask_2d[:, np.newaxis, np.newaxis, :], (1, J, K, 1)) 生成的掩码的值，但它们不对应，所以有些问题。也许检查您的方法是否确实产生了您想要的掩码，因为通常np.broadcast_to 完全符合您的要求，所以我认为这是正确的......