NumPy 可以注意数组（非严格）沿一个轴增加吗？答案

【问题标题】：Can NumPy take care that an array is (nonstrictly) increasing along one axis?NumPy 可以注意数组（非严格）沿一个轴增加吗？
【发布时间】：2017-11-13 15:38:54
【问题描述】：

numpy 中是否有一个函数来保证或修复一个数组，使其（非严格地）沿着一个特定的轴增加？例如，我有以下二维数组：

X = array([[1, 2, 1, 4, 5],
           [0, 3, 1, 5, 4]])

np.foobar(X) 的输出应该返回

array([[1, 2, 2, 4, 5],
       [0, 3, 3, 5, 5]])

foobar 是否存在，还是我需要通过使用类似 np.diff 和一些智能索引来手动执行？

【问题讨论】：

标签： python arrays numpy

【解决方案1】：

使用np.maximum.accumulate 沿该轴运行（累积）最大值，以确保严格增加标准 -

np.maximum.accumulate(X,axis=1)

示例运行 -

In [233]: X
Out[233]: 
array([[1, 2, 1, 4, 5],
       [0, 3, 1, 5, 4]])

In [234]: np.maximum.accumulate(X,axis=1)
Out[234]: 
array([[1, 2, 2, 4, 5],
       [0, 3, 3, 5, 5]])

为了提高内存效率，我们可以使用其out 参数将其分配回输入以进行原位更改。

运行时测试

案例#1：数组作为输入

In [254]: X = np.random.rand(1000,1000)

In [255]: %timeit np.maximum.accumulate(X,axis=1)
1000 loops, best of 3: 1.69 ms per loop

# @cᴏʟᴅsᴘᴇᴇᴅ's pandas soln using df.cummax
In [256]: %timeit pd.DataFrame(X).cummax(axis=1).values
100 loops, best of 3: 4.81 ms per loop

案例#2：数据框作为输入

In [257]: df = pd.DataFrame(np.random.rand(1000,1000))

In [258]: %timeit np.maximum.accumulate(df.values,axis=1)
1000 loops, best of 3: 1.68 ms per loop

# @cᴏʟᴅsᴘᴇᴇᴅ's pandas soln using df.cummax
In [259]: %timeit df.cummax(axis=1)
100 loops, best of 3: 4.68 ms per loop

【讨论】：

【解决方案2】：

pandas 为您提供df.cummax 功能：

import pandas as pd
pd.DataFrame(X).cummax(axis=1).values

array([[1, 2, 2, 4, 5],
       [0, 3, 3, 5, 5]])

如果您的数据已经加载到数据帧中，知道手头有一个一流的函数会很有用。

【讨论】：

我喜欢 pandas 并且经常使用它，但在这种特殊情况下，我只有 numpy 数组，我不想动态创建一个新框架，只是为了这个 :-)。不过，谢谢，很高兴知道 pandas 也有这个功能！
@SmCaterpillar 没问题。它本身当然没有意义。如果您的数据已经在数据框中，您会考虑这一点。 :)