二维和一维 Numpy 数组的交集

Question

对于数组 A[:,3:] 中也在数组 B 中的每个元素，我想将值设置为 0，这将创建数组 result

import numpy as np

A = np.array([[1, 1, 10, 101, 102, 103,   0,   0],
              [2, 2, 10, 102, 108,   0,   0,   0],
              [3, 3, 11, 101, 102, 106, 107, 108]])

B = np.array([101, 106, 108])

result = np.array([[1, 1, 10,   0, 102, 103,   0,   0],
                   [2, 2, 10, 102,   0,   0,   0,   0],
                   [3, 3, 11,   0, 102,   0, 107,   0]])

我知道有一种方法可以使用 in1d 并将 A 作为一维数组广播，但我不知道该怎么做。

如有任何帮助，我们将不胜感激。

Answer 1

如果您将切片的二维数组 A[:,3:] 馈入 np.in1d，它会将其展平为一维数组并与 B 进行比较，从而创建一维蒙版，可以对其进行整形并用于对该切片数组进行布尔索引，以将 TRUE 元素设置为 zeros。单行实现看起来像这样 -

A[:,3:][np.in1d(A[:,3:],B).reshape(A.shape[0],-1)] = 0

样本运行-

In [37]: A
Out[37]: 
array([[  1,   1,  10, 101, 102, 103,   0,   0],
       [  2,   2,  10, 102, 108,   0,   0,   0],
       [  3,   3,  11, 101, 102, 106, 107, 108]])

In [38]: np.in1d(A[:,3:],B) # Flattened mask
Out[38]: 
array([ True, False, False, False, False, False,  True, False, False,
       False,  True, False,  True, False,  True], dtype=bool)

In [39]: np.in1d(A[:,3:],B).reshape(A.shape[0],-1) # Reshaped mask
Out[39]: 
array([[ True, False, False, False, False],
       [False,  True, False, False, False],
       [ True, False,  True, False,  True]], dtype=bool)

In [40]: A[:,3:][np.in1d(A[:,3:],B).reshape(A.shape[0],-1)] = 0 # Final code

In [41]: A
Out[41]: 
array([[  1,   1,  10,   0, 102, 103,   0,   0],
       [  2,   2,  10, 102,   0,   0,   0,   0],
       [  3,   3,  11,   0, 102,   0, 107,   0]])

为了使事情更简单，您可以创建一个展平的视图 A 并使用从 np.in1d 获得的一维蒙版以获得更优雅的解决方案。对于仅更改切片 A[:,3:] 的解决方案，您可以使用 .flat 然后像这样索引 -

A[:,3:].flat[np.in1d(A[:,3:],B)] = 0

如果您想在整个 A 中设置匹配项，您可以使用 .ravel() -

A.ravel()[np.in1d(A,B)] = 0

我知道 .ravel() 是一个视图，从文档来看，似乎 .flat 也没有创建副本，所以这些应该便宜 .

Answer 2

这是一种不使用 in1d() 的方法。您可以将常规 Python in 运算符与数组的 ravel-ed 版本一起使用：

listed = [aa  in B for aa in A[:, 3:].ravel()]

# mask for unaffected left columns of A
mask1 = np.array([False]*A.shape[0]*3)
mask1.shape = (A.shape[0], 3)

# mask for affected right columns of A
mask2 = np.array(listed)
mask2.shape = (A.shape[0], A.shape[1]-3)

# join masks together so you have a mask with same dimensions as A
mask = np.hstack((mask1, mask2))

result  = A.copy()
result[mask] = 0

或更简洁：

listed = [aa  in B for aa in A[:, 3:].ravel()]
listed_array = np.array(listed)
listed.shape = (A.shape[0], A.shape[1]-3)
A[:, 3:][listed_array] = 0

使用 in1d() 可能会更好，但很高兴知道还有其他选择。

二维和一维 Numpy 数组的交集

Intersection of 2d and 1d Numpy array

python

arrays

numpy

intersection