Numpy Lookup（地图或点） [英] Numpy Lookup (Map, or Point)

问题描述

我有一个大的numpy数组：

I have a large numpy array:

array([[32, 32, 99,  9, 45],  # A
       [99, 45,  9, 45, 32],
       [45, 45, 99, 99, 32],
       [ 9,  9, 32, 45, 99]])

以及特定订单中的大量唯一值数组：

and a large-ish array of unique values in a particular order:

array([ 99, 32, 45, 9])       # B

我怎样才能快速（没有python词典，没有 A 的副本，没有python循环）替换 A 以便成为 B 中值的指示？：

How can I quickly (no python dictionaries, no copies of A, no python loops) replace the values in A so that become the indicies of the values in B?:

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

我感到非常愚蠢，因为我无法做到这一点，也没有在文档中找到它。简单点！

推荐答案

在这里你去了

A = array([[32, 32, 99,  9, 45],  # A
   [99, 45,  9, 45, 32],
   [45, 45, 99, 99, 32],
   [ 9,  9, 32, 45, 99]])

B = array([ 99, 32, 45, 9])

ii = np.argsort(B)
C = np.digitize(A.reshape(-1,),np.sort(B)) - 1

最初我建议：

D = np.choose(C,ii).reshape(A.shape)

但我意识到当你去更大的数组时有限制。相反，借用@ unutbu的聪明回复：

But I realized that that had limitations when you went to larger arrays. Instead, borrowing from @unutbu's clever reply:

D = np.argsort(B)[C].reshape(A.shape)

或单行

np.argsort(B)[np.digitize(A.reshape(-1,),np.sort(B)) - 1].reshape(A.shape)

我发现它比@ unutbu的代码更快或更慢，具体取决于所考虑的数组的大小和数量独特的价值观。

Which I found to be faster or slower than @unutbu's code depending on the size of the arrays under consideration and the number of unique values.

这篇关于Numpy Lookup（地图或点）的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！