在 python ndarray 中查找重复行的索引

Question

我编写了 for 循环以枚举包含 n 行 28x28 像素值的多维 ndarray。

我正在寻找重复的每一行的索引以及没有冗余的重复项的索引。

我找到了这段代码 here（感谢 unutbu）并对其进行了修改以读取 ndarray，它在 70% 的时间内有效，但在 30% 的时间内将错误的图像识别为重复图像。

如何改进以检测正确的行？

def overlap_same(arr):
seen = []
dups = collections.defaultdict(list)
for i, item in enumerate(arr):
    for j, orig in enumerate(seen):
        if np.array_equal(item, orig):
            dups[j].append(i)
            break
    else:
        seen.append(item)
return dups

例如return overlap_same(火车) returns:

defaultdict(<type 'list'>, {34: [1388], 35: [1815], 583: [3045], 3208:
[4426], 626: [824], 507: [4438], 188: [338, 431, 540, 757, 765, 806,
808, 834, 882, 1515, 1539, 1715, 1725, 1789, 1841, 2038, 2081, 2165,
2170, 2300, 2455, 2683, 2733, 2957, 3290, 3293, 3311, 3373, 3446, 3542,
3565, 3890, 4110, 4197, 4206, 4364, 4371, 4734, 4851]})

在 matplotlib 上绘制一些正确案例的样本给出：

fig = plt.figure()
a=fig.add_subplot(1,2,1)
plt.imshow(train[35])
a.set_title('train[35]')
a=fig.add_subplot(1,2,2)
plt.imshow(train[1815])
a.set_title('train[1815]')
plt.show

哪个是正确的

但是：

fig = plt.figure()
a=fig.add_subplot(1,2,1)
plt.imshow(train[3208])
a.set_title('train[3208]')
a=fig.add_subplot(1,2,2)
plt.imshow(train[4426])
a.set_title('train[4426]')
plt.show

不正确，因为它们不匹配

样本数据（火车[:3]）

array([[[-0.5       , -0.5       , -0.5       , ...,  0.48823529,
      0.5       ,  0.17058824],
    [-0.5       , -0.5       , -0.5       , ...,  0.48823529,
      0.5       , -0.0372549 ],
    [-0.5       , -0.5       , -0.5       , ...,  0.5       ,
      0.47647059, -0.24509804],
    ..., 
    [-0.49215686,  0.34705883,  0.5       , ..., -0.5       ,
     -0.5       , -0.5       ],
    [-0.31176472,  0.44901961,  0.5       , ..., -0.5       ,
     -0.5       , -0.5       ],
    [-0.11176471,  0.5       ,  0.49215686, ..., -0.5       ,
     -0.5       , -0.5       ]],

   [[-0.24509804,  0.2764706 ,  0.5       , ...,  0.5       ,
      0.25294119, -0.36666667],
    [-0.5       , -0.47254902, -0.02941176, ...,  0.20196079,
     -0.46862745, -0.5       ],
    [-0.49215686, -0.5       , -0.5       , ..., -0.47647059,
     -0.5       , -0.49607843],
    ..., 
    [-0.49215686, -0.49607843, -0.5       , ..., -0.5       ,
     -0.5       , -0.49215686],
    [-0.5       , -0.5       , -0.26862746, ...,  0.13137256,
     -0.46470588, -0.5       ],
    [-0.30000001,  0.11960784,  0.48823529, ...,  0.5       ,
      0.28431374, -0.24117647]],

   [[-0.5       , -0.5       , -0.5       , ..., -0.5       ,
     -0.5       , -0.5       ],
    [-0.5       , -0.5       , -0.5       , ..., -0.5       ,
     -0.5       , -0.5       ],
    [-0.5       , -0.5       , -0.5       , ..., -0.5       ,
     -0.5       , -0.5       ],
    ..., 
    [-0.5       , -0.5       , -0.5       , ...,  0.48431373,
      0.5       ,  0.31568629],
    [-0.5       , -0.49215686, -0.5       , ...,  0.49215686,
      0.5       ,  0.04901961],
    [-0.5       , -0.5       , -0.5       , ...,  0.04117647,
     -0.17450981, -0.45686275]]], dtype=float32)

Answer 1

numpy_indexed 包有很多功能可以有效地解决这些类型的问题。

例如，（不同于 numpy 的内置独特）这将找到您的独特图像：

import numpy_indexed as npi
unique_training_images = npi.unique(train)

或者如果你想找到每个唯一组的所有索引，你可以使用：

indices = npi.group_by(train).split(np.arange(len(train)))

请注意，这些函数不像您原来的 post 那样具有二次时间复杂度，并且是完全矢量化的，因此很可能效率更高。此外，与 pandas 不同，它没有首选数据格式，并且完全支持 nd 数组，因此作用于形状为 [n_images, 28, 28] 'just works'.[= 的数组13=]

在 python ndarray 中查找重复行的索引

Find indices of duplicated rows in python ndarray

python

numpy

multidimensional-array

data-science