変更にnumpyのオブジェクト

Question

内のすべての単一の要素私は、ランダムなN×m個の要素を持つnumpyのオブジェクトを持っている、と私はまた、二つの数AとB

は今、私はこのN * M配列内のすべての要素にアクセスしたいしているにしてすなわち、要素> 0の場合は、この要素をA（つまり要素<-A）に置き換えます。この要素が<の場合は、この要素をB（つまり要素<-B）に置き換えます。

私はこの方法を実装する単純な方法があることを知っています。それはforループを使用してすべての要素にアクセスしていますが、非常に遅いです。

これを実装するために、より多くのファンシーコードを使用できますか？

Answer 1

場所に値を変更しますブールマスクされた割り当て：

In [493]: arr = np.random.randint(-10,10,(5,7)) 
In [494]: arr 
Out[494]: 
array([[ -5, -6, -7, -1, -8, -8, -10], 
     [ -9, 1, -3, -9, 3, 8, -1], 
     [ 6, -7, 4, 0, -4, 4, -2], 
     [ -3, -10, -2, 7, -4, 2, 2], 
     [ -5, 5, -1, -7, 7, 5, -7]]) 
In [495]: arr[arr>0] = 100 
In [496]: arr[arr<0] = -50 
In [497]: arr 
Out[497]: 
array([[-50, -50, -50, -50, -50, -50, -50], 
     [-50, 100, -50, -50, 100, 100, -50], 
     [100, -50, 100, 0, -50, 100, -50], 
     [-50, -50, -50, 100, -50, 100, 100], 
     [-50, 100, -50, -50, 100, 100, -50]]) 

私はちょうど

python numpy: iterate for different conditions without using a loop

Answer 2

IIUC：

narr = np.random.randint(-100,100,(10,5)) 
array([[ 70, -20, 96, 73, -94], 
     [ 42, 35, -55, 56, 54], 
     [ 97, -16, 24, 32, 78], 
     [ 49, 49, -11, -82, 82], 
     [-10, 59, -42, -68, -70], 
     [ 95, 23, 22, 58, -38], 
     [ -2, -64, 27, -33, -95], 
     [ 98, 42, 8, -83, 85], 
     [ 23, 51, -99, -82, -7], 
     [-28, -11, -44, 95, 93]]) 
A = 1000 
B = -999 

使用np.where：

np.where(narr > 0, A, np.where(narr < 0, B , narr)) 

出力：

array([[1000, -999, 1000, 1000, -999], 
     [1000, 1000, -999, 1000, 1000], 
     [1000, -999, 1000, 1000, 1000], 
     [1000, 1000, -999, -999, 1000], 
     [-999, 1000, -999, -999, -999], 
     [1000, 1000, 1000, 1000, -999], 
     [-999, -999, 1000, -999, -999], 
     [1000, 1000, 1000, -999, 1000], 
     [1000, 1000, -999, -999, -999], 
     [-999, -999, -999, 1000, 1000]]) 

Answer 3

で同様の答えを与えたあなたは、計算の速さに興味を持っていることを述べたので、私はあなたの問題のために、いくつかの異なるアプローチの速度比較ですが作りました。

test.py：

import numpy as np 

A = 100 
B = 50 

def createArray(): 
    array = np.random.randint(-100,100,(500,500)) 
    return array 

def replace(x): 
    return A if x > 0 else B 

def replace_ForLoop(): 
    """Simple for-loop.""" 
    array = createArray() 
    for i in range(array.shape[0]): 
     for j in range(array.shape[1]): 
      array[i][j] = replace(array[i][j]) 

def replace_nditer(): 
    """Use numpy.nditer to iterate over values.""" 
    array = createArray() 
    for elem in np.nditer(array, op_flags=['readwrite']): 
     elem[...] = replace(elem) 

def replace_masks(): 
    """Use boolean masks.""" 
    array = createArray() 
    array[array>0] = A 
    array[array<0] = B 

def replace_vectorize(): 
    """Use numpy.vectorize""" 
    array = createArray() 
    vectorfunc = np.vectorize(replace) 
    array = vectorfunc(array) 

def replace_where(): 
    """Use numpy.where""" 
    array = createArray() 
    array = np.where(array > 0, A, np.where(array < 0, B , array)) 

注：forループのネストされた変種を使用して、np.nditerとブールマスクは最後の二つがいない、インプレース働きます。

タイミング比較です：

> python -mtimeit -s'import test' 'test.replace_ForLoop()'      
10 loops, best of 3: 185 msec per loop 
> python -mtimeit -s'import test' 'test.replace_nditer()' 
10 loops, best of 3: 294 msec per loop 
> python -mtimeit -s'import test' 'test.replace_masks()' 
100 loops, best of 3: 5.8 msec per loop 
> python -mtimeit -s'import test' 'test.replace_vectorize()' 
10 loops, best of 3: 55.3 msec per loop 
> python -mtimeit -s'import test' 'test.replace_where()'  
100 loops, best of 3: 5.42 msec per loop 

ループを使用するには、確かに非常に遅いです。 numpy.nditerはさらに遅く、私が驚いたのは、docがefficient multi-dimensional iterator object to iterate over arraysと呼んでいるからです。 numpy.vectorizeis essentially a for-loopでもありますが、これまでの実装と同じくらい速い速度で管理します。 Scott Bostonが提案したnp.whereの亜種は、hpauljの回答に従ってブールマスクを使用するよりもわずかに高速です。しかし、それはインプレースを変更しないので、より多くのメモリを必要とします。