3

先决条件

这是来自这篇文章的一个问题。所以，一些问题的介绍会和那个帖子差不多。

问题

假设result是一个二维数组并且values是一个一维数组。values保存与 中的每个元素相关联的一些值result。valuesto中的元素的映射result存储在x_mappingand中y_mapping。一个位置result可以与不同的值相关联。现在，我必须找到按关联分组的值的最小值和最大值。

一个更好的说明的例子。

min_result大批：

[[0, 0],
[0, 0],
[0, 0],
[0, 0]]

max_result大批：

[[0, 0],
[0, 0],
[0, 0],
[0, 0]]

values大批：

[ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.]

注意：这里的result数组和values具有相同数量的元素。但情况可能并非如此。大小之间根本没有关系。

x_mapping并具有从 1D到 2Dy_mapping的映射（最小值和最大值）。和的大小相同。valuesresultx_mappingy_mappingvalues

x_mapping-[0, 1, 0, 0, 0, 0, 0, 0]

y_mapping-[0, 3, 2, 2, 0, 3, 2, 1]

这里，第 1 个值（values[0]）和第 5 个值（values[4]）的 x 为 0，y 为 0（x_mapping[0]和y_mappping[0]），因此与 相关联result[0, 0]。如果我们计算该组的最小值和最大值，我们将分别得到 1 和 5 作为结果。因此，min_result[0, 0]将有 1 个和max_result[0, 0]5 个。

请注意，如果根本没有关联，则默认值为result0。

当前工作解决方案

x_mapping = np.array([0, 1, 0, 0, 0, 0, 0, 0])
y_mapping = np.array([0, 3, 2, 2, 0, 3, 2, 1])
values = np.array([ 1.,  2.,  3.,  4.,  5.,  6.,  7.,  8.], dtype=np.float32)
max_result = np.zeros([4, 2], dtype=np.float32)
min_result = np.zeros([4, 2], dtype=np.float32) 
min_result[-y_mapping, x_mapping] = values # randomly initialising from values
for i in range(values.size):
    x = x_mapping[i]
    y = y_mapping[i]
    # maximum
    if values[i] > max_result[-y, x]:
        max_result[-y, x] = values[i]
    # minimum
    if values[i] < min_result[-y, x]:
        min_result[-y, x] = values[i]

min_result,

[[1., 0.],
[6., 2.],
[3., 0.],
[8., 0.]]

max_result,

[[5., 0.],
[6., 2.],
[7., 0.],
[8., 0.]]

失败的解决方案

#1

min_result = np.zeros([4, 2], dtype=np.float32)
np.minimum.reduceat(values, [-y_mapping, x_mapping], out=min_result)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-17-126de899a90e> in <module>()
1 min_result = np.zeros([4, 2], dtype=np.float32)
----> 2 np.minimum.reduceat(values, [-y_mapping, x_mapping], out=min_result)

ValueError: object too deep for desired array

#2

min_result = np.zeros([4, 2], dtype=np.float32)
np.minimum.reduceat(values, lidx, out= min_result)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-24-07e8c75ccaa5> in <module>()
1 min_result = np.zeros([4, 2], dtype=np.float32)
----> 2 np.minimum.reduceat(values, lidx, out= min_result)

ValueError: operands could not be broadcast together with remapped shapes [original->remapped]: (4,2)->(4,) (8,)->() (8,)->(8,)

#3

lidx = ((-y_mapping) % 4) * 2 + x_mapping #from mentioned post
min_result = np.zeros([8], dtype=np.float32)
np.minimum.reduceat(values, lidx, out= min_result).reshape(4,2)

[[1., 4.],
[5., 5.],
[1., 3.],
[5., 7.]]

问题

如何使用np.minimum.reduceat和np.maximum.reduceat解决这个问题？我正在寻找针对运行时优化的解决方案。

边注

我正在使用 Numpy 版本 1.14.3 和 Python 3.5.2

4

1 回答 1

2

方法#1

同样，最直观的将是numpy.ufunc.at. 现在，因为这些减少将针对现有值执行，所以我们需要使用最大值来初始化输出以用于最小减少和最小值用于最大减少。因此，实施将是 -

min_result[-y_mapping, x_mapping] = values.max()
max_result[-y_mapping, x_mapping] = values.min()

np.minimum.at(min_result, [-y_mapping, x_mapping], values)
np.maximum.at(max_result, [-y_mapping, x_mapping], values)

方法#2

为了利用np.ufunc.reduceat，我们需要对数据进行排序——

m,n = max_result.shape
out_dtype = max_result.dtype
lidx = ((-y_mapping)%m)*n + x_mapping

sidx = lidx.argsort()
idx = lidx[sidx]
val = values[sidx]

m_idx = np.flatnonzero(np.r_[True,idx[:-1] != idx[1:]])
unq_ids = idx[m_idx]

max_result_out.flat[unq_ids] = np.maximum.reduceat(val, m_idx)
min_result_out.flat[unq_ids] = np.minimum.reduceat(val, m_idx)
于 2018-08-06T09:48:52.177 回答