有没有办法广播布尔掩码？
Is there a way to broadcast boolean masks?
我正在尝试减少基于搜索距离的计算次数。我有 N 个节点和一个 [NxN] 布尔掩码，它告诉我哪些节点在其他节点的 X 距离内，具有 T 真值。
我还有每个节点的 [Nx(d)] 数据，其中 (d) 可以是 (1)、(3) 或 (3x3)。我想要 "sparse" 格式，它是一个 [Tx(d)] 数组，因此我可以沿 0 轴进行矢量化计算。现在我这样做：
sparseData=data.repeat(data.shape[0],axis=0).reshape(np.concatenate(([data.shape[0],data.shape])))[mask]
这有效，但如果 N 太大会导致内存错误，因为我用 .repeat 创建的 [NxNx(d)] 数组有没有办法广播这个？如果我这样做：
data[None,...][mask]
它不起作用，但似乎必须有更有效的方法来做到这一点。
您可以使用 numpy.broadcast_to 查看数据，而不是重复数据：
sparseData = np.broadcast_to(data, (data.shape[0],) + data.shape)[mask]
但是，select 基于索引的数据行更容易：
I, J = np.nonzero(mask)
sparseData = data[I] # could also use J
我正在尝试减少基于搜索距离的计算次数。我有 N 个节点和一个 [NxN] 布尔掩码，它告诉我哪些节点在其他节点的 X 距离内，具有 T 真值。
我还有每个节点的 [Nx(d)] 数据，其中 (d) 可以是 (1)、(3) 或 (3x3)。我想要 "sparse" 格式，它是一个 [Tx(d)] 数组，因此我可以沿 0 轴进行矢量化计算。现在我这样做：
sparseData=data.repeat(data.shape[0],axis=0).reshape(np.concatenate(([data.shape[0],data.shape])))[mask]
这有效，但如果 N 太大会导致内存错误，因为我用 .repeat 创建的 [NxNx(d)] 数组有没有办法广播这个？如果我这样做：
data[None,...][mask]
它不起作用，但似乎必须有更有效的方法来做到这一点。
您可以使用 numpy.broadcast_to 查看数据，而不是重复数据：
sparseData = np.broadcast_to(data, (data.shape[0],) + data.shape)[mask]
但是，select 基于索引的数据行更容易：
I, J = np.nonzero(mask)
sparseData = data[I] # could also use J