具有给定掩码的“Unsparsing”numpy 数组答案

【问题标题】："Unsparsing" numpy Arrays with Given Masks具有给定掩码的“Unsparsing”numpy 数组
【发布时间】：2015-09-23 07:11:11
【问题描述】：

假设有两个数组，vals 包含值，masks 包含指示是使用vals 还是nans 中的值的布尔值。目标是构建一个与masks 长度相同的数组ret，其中包含从vals 对应位置的值到True 中的True 条目。

例如，假设

vals = np.array([1, 2])
masks = [True, False, False, True]

那么ret，返回值，应该是

array([1, None, None, 2], dtype=object)

使用循环显然很容易做到这一点：

import numpy as np

def unsparse(vals, masks):
    vals_i = 0
    ret = []
    for m in masks:
        if m:
            ret.append(vals[vals_i])
            vals_i += 1
        else:
            ret.append(None)
    return np.array(ret)

>> unsparse(np.array([1, 2]), [True, False, False, True])
array([1, None, None, 2], dtype=object)

有没有一种方法可以不用循环并且更简洁？

【问题讨论】：

你真的想要那个数组中的None 吗？你会做任何计算吗？

标签： python numpy vectorization sparse-matrix

【解决方案1】：

你可以这样做 -

out = np.empty(masks.shape,dtype=object)
out[masks] = vals[:masks.sum()]

请注意:masks.sum() 从vals 中选择第一个N 元素，其中N 是掩码中TRUE 元素的数量。

如果保证 TRUE 元素的数量与 vals 中的元素数量相同，那么你可以简单地做 -

out[masks] = vals

示例运行 -

In [34]: vals = np.array([1, 2, 6, 8, 9])
    ...: masks = np.array([True, False, False, True, False, True])
    ...: 

In [35]: out = np.empty(masks.shape,dtype=object)
    ...: out[masks] = vals[:masks.sum()]
    ...: 

In [36]: out
Out[36]: array([1, None, None, 2, None, 6], dtype=object)

【讨论】：