分配给 numpy 数组时避免 np.where

Question

我希望以下（或类似的）工作（不使用np.where）

>>> A = np.arange(0,10)
>>> ind = np.logical_and(A>4, A%2)
>>> k = np.array([0,1,0],dtype=bool)
>>> A[ind][k] = np.pi # Doesn't actually assign to A

也就是说，我想k成为indtrue值的附加布尔掩码。

我知道我可以使用np.where(ind)[0][k]，但这比逻辑索引更昂贵。

有没有办法引用A[ind]将引用的基本内存A？

Answer 1

从经常引用的 numpy 索引页面：

.... 单个布尔索引数组实际上等同于 x[obj.nonzero()] .... 但是，当 obj.shape == x.shape 时速度更快。

np.where(cond)是np.nonzero(cond)。

但是让我们做一些简单的计时

In [239]: x = np.arange(10000)
In [240]: y = (x%2).astype(bool)
In [241]: x[y].shape
Out[241]: (5000,)
In [242]: idx = np.nonzero(y)
In [243]: x[idx].shape
Out[243]: (5000,)
In [244]: timeit x[y].shape
89.9 µs ± 726 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
In [245]: timeit x[idx].shape
13.3 µs ± 107 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [246]: timeit x[np.nonzero(y)].shape
34.2 µs ± 893 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

因此数组索引比布尔索引更快，即使我们使用显式where.

A[ind][k]=不起作用，因为A[ind]是副本，而不是视图。

In [251]: A = np.arange(100,110)
In [252]: ind = np.logical_and(A>104, A%2)
In [253]: ind
Out[253]: 
array([False, False, False, False, False,  True, False,  True, False,
        True])
In [254]: k = np.array([0,1,0], dtype=bool)
In [255]: A[ind]
Out[255]: array([105, 107, 109])
In [256]: A[ind][k]
Out[256]: array([107])
In [257]: A[ind][k] = 12
In [258]: A
Out[258]: array([100, 101, 102, 103, 104, 105, 106, 107, 108, 109])

但是使用k来从np.where(ind)作品中选择索引：

In [262]: A[np.where(ind)[0][k]]=12
In [263]: A
Out[263]: array([100, 101, 102, 103, 104, 105, 106,  12, 108, 109])

获取而不是集合的时间：

In [264]: timeit A[np.where(ind)[0][k]]
1.94 µs ± 75.7 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
In [265]: timeit A[ind][k]
1.34 µs ± 13.3 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

所以是的，在这种情况下，双重屏蔽要快一些，但如果它不起作用也没关系。不要为小的时间改进而烦恼。

一种布尔索引方法

In [345]: ind1=ind.copy()
In [346]: ind1[ind] = k
In [348]: A[ind1]=3
In [349]: A
Out[349]: array([100, 101, 102, 103, 104, 105, 106,   3, 108, 109])

在这个小例子中，时间与 for 基本相同A[np.where(ind)[0][k]]=12。