最初にサンプルdata
。そのインプレースをするだろう
In [793]: data.reshape(1,-1,3)
data.shape=(1,-1,3)
:私は、メソッドが新しい形で新しい配列を返しますが、インプレースでそれを変更しないDTYPE uint8
In [791]: data=np.random.randint(0,256,(8,8,3),dtype=np.uint8)
reshape
と、それはnxnx3配列だ推測しています。しかし、なぜ最初の1
?代わりに
:私の場合は
In [795]: aset={tuple(item) for item in data.reshape(-1,3)}
In [796]: aset
Out[796]:
{(3, 92, 60),
(5, 211, 227),
(6, 185, 183),
(9, 37, 0),
....
In [797]: len(aset)
Out[797]: 64
64個のユニークなアイテムのセット - 私が値に
あなたがdo-nothing data.reshape
ライン、あるように見える理由のため{tuple(item) for item in data[0]}
アカウントを生成する方法与えられた驚くべきことではありません画像の1行目で作業しています。
私はselection_data
を推測しているが、このような同様の3項目のタプル、次のとおりです。
In [801]: selection_data = {tuple(data[1,3,:]), (1,2,3), tuple(data[5,5,:])}
In [802]: selection_data
Out[802]: {(1, 2, 3), (49, 132, 26), (76, 131, 16)}
In [803]: selection_data&aset
Out[803]: {(49, 132, 26), (76, 131, 16)}
あなたがtolist
を使用しようとする場所をあなたは言いませんが、私はタプルの集合を生成する際に推測しています。
しかし、不思議なことに、tolist
スピードアップコンバージョン:だから
In [808]: timeit {tuple(item) for item in data.reshape(-1,3).tolist()}
10000 loops, best of 3: 57.7 µs per loop
In [809]: timeit {tuple(item) for item in data.reshape(-1,3)}
1000 loops, best of 3: 239 µs per loop
In [815]: timeit data.reshape(-1,3).tolist()
100000 loops, best of 3: 19.8 µs per loop
In [817]: timeit {tuple(item.tolist()) for item in data.reshape(-1,3)}
10000 loops, best of 3: 100 µs per loop
をリストし、設定操作のこの種を行うため、我々としても、すぐにリスト形式にジャンプすることがあります。
numpy
には、いくつかの機能があります。たとえば、np.in1d
です。これは1d配列の操作だけですが、unique row
の質問でも実証されているように、2次元配列を構造化配列として見ることで回避できます。
In [883]: selection=[data[1,3,:],[1,2,3],data[5,5,:]]
In [885]: selection=np.array(selection,np.uint8).view(dt)
In [886]: selection
Out[886]:
array([[(49, 132, 26)],
[(1, 2, 3)],
[(76, 131, 16)]],
dtype=[('f0', 'u1'), ('f1', 'u1'), ('f2', 'u1')])
もそうdata1
で発見されselection
内の項目は次のとおりです:
In [880]: dt=np.dtype('uint8,uint8,uint8')
In [881]: data1=data.reshape(-1,3).view(dt).ravel()
In [882]: data1
Out[882]:
array([(41, 145, 254), (138, 144, 7), (192, 241, 203), (42, 177, 215),
(78, 132, 87), (221, 176, 87), (107, 171, 147), (231, 13, 53),
...
dtype=[('f0', 'u1'), ('f1', 'u1'), ('f2', 'u1')])
が同じ構造化された配列を自然と選択を構築:私はこれまでのところ取得するために周りいじる必要がありました
In [888]: np.in1d(selection,data1)
Out[888]: array([ True, False, True], dtype=bool)
であり、選択中のdata1
の項目は、
In [890]: np.where(np.in1d(data1,selection))
Out[890]: (array([11, 45], dtype=int32),)
または解明さ形状
In [891]: np.where(np.in1d(data1,selection).reshape(8,8))
Out[891]: (array([1, 5], dtype=int32), array([3, 5], dtype=int32))
Iはselection
を生成するために使用したのと同じ(1,3)及び(5,5)の商品。
in1d
タイミングが競争している:私が正しくあなたの質問を理解していれば
In [892]: %%timeit
...: data1=data.reshape(-1,3).view(dt).ravel()
...: np.in1d(data1,selection)
...:
10000 loops, best of 3: 65.7 µs per loop
In [894]: timeit selection_data&{tuple(item) for item in data.reshape(-1,3).tolist()}
10000 loops, best of 3: 91.5 µs per loop
'tolist'は変換を高速化することが期待されています。 Numpyオブジェクトは、Pythonオブジェクトではなく、生の値としてデータを格納します。つまり、Pythonからのすべてのアクセスには値のラッパーオブジェクトを作成するためにnumpyが必要です。これは反復処理の際にも行われます。 'tolist'メソッドはすべてのラッパーを一つの最適化されたCループに作成し、それらをPythonリストに入れます。後続の反復はPythonリスト上にあります。これはラッパーオブジェクトを作成する必要がないため高速です。 – Bakuriu