较小尺寸的新数组不包括每列中的一个值答案

【问题标题】：New array of smaller size excluding one value from each column较小尺寸的新数组不包括每列中的一个值
【发布时间】：2013-09-19 11:44:41
【问题描述】：

在 Python 2.7 中使用 numpy 或任何方式，如果我有一个任意大小的数组并且想要排除某些值并输出新数组，我该怎么做？这是我想要的

[(1,2,3),                                        
 (4,5,6), then exclude [4,2,9] to make the array[(1,5,3),
 (7,8,9)]                                        (7,8,6)]

我将始终排除与行长度相同长度的数据，并且每列始终只有一个条目。 [(1,5,3)] 是我想排除的另一个数据示例。因此，每次我循环该函数时，它都会将数组行大小减一。我想我必须使用掩码数组或将掩码转换为掩码数组并减去两者，然后可能会压缩输出，但我不知道如何。谢谢你的时间。

【问题讨论】：

Alfe 实际上给了我我想要的东西。非常感谢你们，我学到了很多！

标签： python arrays numpy matrix

【解决方案1】：

如果您将二维数组转换为未分解的一维数组，则可以非常有效地完成此操作。然后使用要排除的元素重复数组，称为e，以便进行元素比较：

import numpy as np
a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
e = [1, 5, 3]    

ar = a.T.ravel()
er = np.repeat(e, a.shape[0])

ans = ar[er != ar].reshape(a.shape[1], a.shape[0]-1).T

但如果e 中的每个元素只匹配a 的一行，它就会起作用。

编辑：正如@Jaime 所建议的，您可以避免使用ravel() 并直接获得相同的结果：

ans = a.T[(a != e).T].reshape(a.shape[1], a.shape[0]-1).T

【讨论】：

如果您跳过拆解和重复，而只是简单地做ans = a[a != e].reshape(a.shape[0]-1, a.shape[1])，广播不会发挥它的魔力吗？无论如何，不错的方法。
@Jaime，不。试试看 - 订单出现乱码。广播的魔力仅此而已！在这种情况下，要删除的位置的不规则性意味着如果您这样做，则不会保留列长度。
@SaulloCastro，奇怪，我测试过它并没有用。我很想看看我们做了什么不同的...
@senderle 我已经更新了答案......所以你可以检查我的方法
仍然对我不起作用。 (ans == a[a!=e].reshape(a.shape[0]-1, a.shape[1])).all() 返回False。

【解决方案2】：

从矩阵a中排除向量e：

import numpy as np
a = np.array([(1,2,3), (4,5,6), (7,8,9)])
e = [4,2,9]
print np.array([ [ i for i in a.transpose()[j] if i != e[j] ]
    for j in range(len(e)) ]).transpose()

【讨论】：

【解决方案3】：

这需要一些工作才能概括，但这里有一些可以处理您描述的那种二维情况的东西。如果传递了意外的输入，这不会注意到并会产生奇怪的结果，但它至少是一个起点：

def columnwise_compress(a, values):
    a_shape = a.shape
    a_trans_flat = a.transpose().reshape(-1)
    compressed = a_trans_flat[~numpy.in1d(a_trans_flat, values)]
    return compressed.reshape(a_shape[:-1] + ((a_shape[0] - 1),)).transpose()

测试：

>>> columnwise_compress(numpy.arange(9).reshape(3, 3) + 1, [4, 2, 9])
array([[1, 5, 3],
       [7, 8, 6]])
>>> columnwise_compress(numpy.arange(9).reshape(3, 3) + 1, [1, 5, 3])
array([[4, 2, 6],
       [7, 8, 9]])

困难在于您要求“压缩”numpy.compress 不这样做（删除每列或每行的不同值）并且您要求压缩沿着列而不是行。沿行压缩更容易，因为它沿内存中值的自然顺序移动；出于这个原因，您可能会考虑使用转置数组。如果你想这样做，事情就会变得简单一些：

>>> a = numpy. array([[1, 4, 7],
...                   [2, 5, 8],
...                   [3, 6, 9]])
>>> a[~numpy.in1d(a, [4, 2, 9]).reshape(3, 3)].reshape(3, 2)
array([[1, 7],
       [5, 8],
       [3, 6]])

如果你这样做，你仍然需要智能地处理形状参数，但它仍然会更简单。此外，这假设原始数组中没有重复项；如果有，这可能会产生错误的结果。 Saullo 的出色回答部分避免了该问题，但任何基于值的方法都不能保证有效，除非您确定列中没有重复值。

【讨论】：

【解决方案4】：

本着@SaulloCastro 回答的精神，但要处理多次出现的项目，您可以执行以下操作删除每列的第一次出现：

def delete_skew_row(a, b) :
    rows, cols = a.shape
    row_to_remove = np.argmax(a == b, axis=0)
    items_to_remove = np.ravel_multi_index((row_to_remove,
                                            np.arange(cols)),
                                           a.shape, order='F')
    ret = np.delete(a.T, items_to_remove)
    return np.ascontiguousarray(ret.reshape(cols,rows-1).T)

rows, cols = 5, 10
a = np.random.randint(100, size=(rows, cols))
b = np.random.randint(rows, size=(cols,))
b = a[b, np.arange(cols)]

>>> a
array([[50, 46, 85, 82, 27, 41, 45, 27, 17, 26],
       [92, 35, 14, 34, 48, 27, 63, 58, 14, 18],
       [90, 91, 39, 19, 90, 29, 67, 52, 68, 69],
       [10, 99, 33, 58, 46, 71, 43, 23, 58, 49],
       [92, 81, 64, 77, 61, 99, 40, 49, 49, 87]])
>>> b
array([92, 81, 14, 82, 46, 29, 67, 58, 14, 69])
>>> delete_skew_row(a, b)
array([[50, 46, 85, 34, 27, 41, 45, 27, 17, 26],
       [90, 35, 39, 19, 48, 27, 63, 52, 68, 18],
       [10, 91, 33, 58, 90, 71, 43, 23, 58, 49],
       [92, 99, 64, 77, 61, 99, 40, 49, 49, 87]])

【讨论】：