给定行索引和起始列索引，如何将值分配给 numpy 数组？

Question

a = np.array([2,3,1,4])

b = np.array([2,3,7,1])

c = np.zeros((4, 10))

1我想为 中的某些元素赋值c。a并b定义这些元素的位置。是每行中a值的起始列索引。1并表示该行有b多少个连续的。1我期望的输出是：

array([[ 0.,  0.,  1.,  1.,  0.,  0.,  0.,  0.,  0.,  0.],

       [ 0.,  0.,  0.,  1.,  1.,  1.,  0.,  0.,  0.,  0.],

       [ 0.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  0.,  0.],

       [ 0.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.]])

我可以使用一个简单的 for 循环，如下所示：

for i in range(c.shape[0]):

    for k in range(a[i], a[i]+b[i]):

        c[i,k]=1

但对于大型数组来说会很慢，有没有更快的 numpy 索引来做到这一点？谢谢。

Answer 1

您可以将其转化为一维问题def convert_inds(a,b,array_shape):        nrows,ncols = array_shape    to_take = np.zeros(sum(b))    count = 0    for ind,item in enumerate(b):        start_ind = ind*ncols+a[ind]        to_take[count:count+item] = np.arange(start_ind,start_ind+item)        count += item            return to_take.astype(np.int)to_take = convert_inds(a,b,c.shape)c.ravel()[to_take] = 1在上面的代码中，convert_inds将a和转换b为array([ 2,  3, 13, 14, 15, 21, 22, 23, 24, 25, 26, 27, 34])它们是1展平后 s的索引c。通过这样做，您只需要b在函数中进行迭代即可convert_inds。

Answer 2

我实现了下一个解决方案，没有任何 Python 循环，只有纯 NumPy 代码。也许它不像 python-loop 解决方案那么简单，但肯定会快得多，特别是对于大数据。在线尝试一下！import numpy as npdef set_val_2d(a, val, starts, lens):    begs = starts + np.arange(a.shape[0]) * a.shape[1]    ends = begs + lens    clens = lens.cumsum()    ix = np.ones((clens[-1],), dtype = np.int64)    ix[0] = begs[0]    ix[clens[:-1]] = begs[1:] - ends[:-1] + 1    ix = ix.cumsum()    a.ravel()[ix] = vala = np.array([2,3,1,4])b = np.array([2,3,7,1])c = np.zeros((4, 10))set_val_2d(c, 1, a, b)print(c)输出：[[0. 0. 1. 1. 0. 0. 0. 0. 0. 0.] [0. 0. 0. 1. 1. 1. 0. 0. 0. 0.] [0. 1. 1. 1. 1. 1. 1. 1. 0. 0.] [0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]

Answer 3

如果您选择基于索引的奇特方法，最困难的部分是查找轴 1 的索引。这非常类似于：>>> np.repeat(a, b)array([2, 2, 3, 3, 3, 1, 1, 1, 1, 1, 1, 1, 4])除了每组索引应该递增之外。可以使用以下函数完成此修复：def accumulative_count(counts, initial):    counter = np.ones(np.sum(counts), dtype=int)    marker_idx = np.r_[0, np.cumsum(counts)[:-1]]    subtract_vals = np.r_[1, counts[:-1]]    initial_vals = np.r_[initial[0], np.diff(initial)]    counter[marker_idx] = counter[marker_idx] - subtract_vals + initial_vals    return np.cumsum(counter)>>> accumulative_count(counts, initial)array([2, 3, 3, 4, 5, 1, 2, 3, 4, 5, 6, 7, 4], dtype=int32)毕竟，你有能力完成它：c[np.repeat(np.arange(len(c)), b), accumulative_count(b, a)] = 1c:array([[0., 0., 1., 1., 0., 0., 0., 0., 0., 0.],       [0., 0., 0., 1., 1., 1., 0., 0., 0., 0.],       [0., 1., 1., 1., 1., 1., 1., 1., 0., 0.],       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.]])