在给定索引 np.argwhere() 的情况下替换 n 维张量中的值

Question

我对 numpy 有点陌生，所以这可能是一个愚蠢的问题，但这里是：

假设我有一个任意形状和大小的张量，例如 (100,5,5) 或 (3,3,10,15,4)。我有一个随机生成的索引列表，用于要用 np.nan 替换的点。对于 (3,3,3) 测试用例，它将如下所示：

>> data = np.random.randn(3,3,3)
>> data
array([[[ 0.21368315, -1.42814113,  1.23021783],
        [ 0.25835315,  0.44775156, -1.20489094],
        [ 0.25928972,  0.39486046, -1.79189447]],

       [[ 2.24080908, -0.89617961, -0.29550817],
        [ 0.21756087,  1.33996913, -1.24418745],
        [-0.63617598,  0.56848439,  0.8175564 ]],

       [[ 0.61367002, -1.16104071, -0.53488283],
        [ 1.0363354 , -0.76888041,  1.24524786],
        [-0.84329375, -0.61744489,  1.50502058]]])

>> idxs = np.argwhere(np.isfinite(data))
>> dropidxs = idxs[np.random.choice(idxs.shape[0], 3, replace=False)]
>> dropidxs
array([[1, 1, 1],
       [2, 0, 2],
       [2, 1, 0]])

如何替换相应的值？以前，当我只处理 3D 案例时，我使用以下方法来完成。

for idx in dropidxs:
    i,j,k = dropidxs[idx]
    missingCube[i,j,k] = np.nan

但现在，我希望函数能够处理任何大小的张量。我试过了

for idx in dropidxs:
    missingCube[idx] = np.nan

和

missingCube[dropidxs] = np.nan

但两者（不出所料）最终都会沿着 axis=0 删除相应的切片。我应该如何处理这个问题？有没有更简单的方法来实现我想要做的事情？

Answer 1

是不是你要找的：

import numpy as np
x = np.random.randn(10, 3, 3, 3)

new_value = 0
x[x < 0] = new_value

或

x[x == -inf] = 0

Answer 2

您可以选择扁平化索引并转换回 data 索引以将元素设置为 np.nan。这里有一个种子 (41) 使结果可重现，选择 3 个元素。

import numpy as np

data = np.random.randn(3,3,3)

rng = np.random.default_rng(41)
idx = rng.choice(np.arange(data.size), 3, replace=False)
data[np.unravel_index(idx, data.shape)] = np.nan
data

输出

array([[[ 0.13180452, -0.81228319, -0.04456739],
        [ 0.53060077, -0.2246579 ,  1.83926463],
        [-0.38670047, -0.53703577,  0.49275628]],

       [[ 0.36671354,  1.44012848, -0.57209412],
        [ 0.53960111, -1.06578638,  1.10669842],
        [ 1.1772824 ,         nan, -0.82792041]],

       [[-0.03352594,  0.29351109,  0.57021538],
        [-0.33291872,         nan,  0.04675677],
        [        nan,  2.59450517, -1.9579655 ]]])

Answer 3

In [486]: data = np.random.randn(3,3,3)

有了这个创建，所有项都是有限的，所以 nonzero returns (27,) 数组的元组：

In [487]: idx = np.nonzero(np.isfinite(data))
In [488]: len(idx)
Out[488]: 3
In [489]: idx[0].shape
Out[489]: (27,)

argwhere 产生相同的数字，但在二维数组中：

In [490]: idxs = np.argwhere(np.isfinite(data))
In [491]: idxs.shape
Out[491]: (27, 3)

所以你 select 一个子集。

In [492]: dropidxs = idxs[np.random.choice(idxs.shape[0], 3, replace=False)]
In [493]: dropidxs.shape
Out[493]: (3, 3)
In [494]: dropidxs
Out[494]: 
array([[1, 1, 0],
       [2, 1, 2],
       [2, 1, 1]])

我们可以通过 x = np.random.choice(...) 生成相同的子集，并将 x 应用于 idxs 中的数组。但在这种情况下，argwhere 数组更易于使用。

但是要将该数组应用于索引，我们仍然需要一个数组元组：

In [495]: tup = tuple([dropidxs[:,i] for i in range(3)])
In [496]: tup
Out[496]: (array([1, 2, 2]), array([1, 1, 1]), array([0, 2, 1]))
In [497]: data[tup]
Out[497]: array([-0.27965058,  1.2981397 ,  0.4501406 ])
In [498]: data[tup]=np.nan
In [499]: data
Out[499]: 
array([[[-0.4899279 ,  0.83352547, -1.03798762],
        [-0.91445783,  0.05777183,  0.19494065],
        [ 0.6835925 , -0.47846423,  0.13513958]],

       [[-0.08790631,  0.30224828, -0.39864576],
        [        nan, -0.77424244,  1.4788093 ],
        [ 0.41915952, -0.09335664, -0.47359613]],

       [[-0.40281937,  1.64866377, -0.40354504],
        [ 0.74884493,         nan,         nan],
        [ 0.13097487, -1.63995208, -0.98857852]]])

或者我们可以索引：

In [500]: data[dropidxs[:,0],dropidxs[:,1],dropidxs[:,2]]
Out[500]: array([nan, nan, nan])

实际上，dropidxs 的转置可能更方便：

In [501]: tdrop = dropidxs.T
In [502]: tuple(tdrop)
Out[502]: (array([1, 2, 2]), array([1, 1, 1]), array([0, 2, 1]))
In [503]: data[tuple(tdrop)]
Out[503]: array([nan, nan, nan])

有时候我们可以用*把一个list/array展开成一个元组，但是在索引的时候不行：

In [504]: data[*tdrop]
  File "<ipython-input-504-cb619d907adb>", line 1
    data[*tdrop]
         ^
SyntaxError: invalid syntax

但我们可以创建元组：

In [506]: data[(*tdrop,)]
Out[506]: array([nan, nan, nan])

在给定索引 np.argwhere() 的情况下替换 n 维张量中的值

Replacing values in n-dimensional tensor given indices from np.argwhere()

python

numpy

tensor