Python 如何从NumPy数组中删除所有零元素？

我有一个rank-1

numpy.array

，我想用它做一个箱线图。但是，我想排除数组中所有等于零的值。目前，我通过循环数组并将值复制到新数组（如果不等于零）来解决这个问题。但是，由于数组由8600000个值组成，我必须多次这样做，这需要很多耐心

---

有没有更智能的方法可以做到这一点？

对于NumPy数组

a

，您可以使用

a[a != 0]

---

要提取不等于零的值。

对于NumPy数组

a

，可以使用

a[a != 0]

---

提取不等于零的值。

我建议您在这种情况下使用

NaN

，您希望忽略一些值，但仍希望尽可能保持过程的统计意义。所以

In []: X= randn(1e3, 5)
In []: X[abs(X)< .1]= NaN
In []: isnan(X).sum(0)
Out[: array([82, 84, 71, 81, 73])
In []: boxplot(X)

[]中的

：X=randn（1e3,5）
In[]：X[abs（X）<.1]=NaN
在[]中：isnan（X）.sum（0）
Out[：数组（[82,84,71,81,73]）
在[]中：箱线图（X）

---

我建议您在这种情况下只需使用

NaN

，您可以忽略一些值，但仍希望尽可能保持程序的统计意义。因此

In []: X= randn(1e3, 5)
In []: X[abs(X)< .1]= NaN
In []: isnan(X).sum(0)
Out[: array([82, 84, 71, 81, 73])
In []: boxplot(X)

[]中的

：X=randn（1e3,5）
In[]：X[abs（X）<.1]=NaN
在[]中：isnan（X）.sum（0）
Out[：数组（[82,84,71,81,73]）
在[]中：箱线图（X）

---

在这种情况下，如果要使用遮罩数组，它会保持数组的形状，并且会被所有numpy和matplotlib函数自动识别

X = np.random.randn(1e3, 5)
X[np.abs(X)< .1]= 0 # some zeros
X = np.ma.masked_equal(X,0)
plt.boxplot(X) #masked values are not plotted

#other functionalities of masked arrays
X.compressed() # get normal array with masked values removed
X.mask # get a boolean array of the mask
X.mean() # it automatically discards masked values

X=np.random.randn（1e3,5）
X[np.abs（X）<.1]=0#一些零
X=np.ma.masked_等于（X，0）
plt.箱线图（X）#未绘制遮罩值
#屏蔽阵列的其他功能
X.compressed（）#获取移除屏蔽值的正常数组
X.mask#获取掩码的布尔数组
X.mean（）#它会自动丢弃屏蔽值

在这种情况下，如果要使用遮罩数组，它会保持数组的形状，并且会被所有numpy和matplotlib函数自动识别

X = np.random.randn(1e3, 5)
X[np.abs(X)< .1]= 0 # some zeros
X = np.ma.masked_equal(X,0)
plt.boxplot(X) #masked values are not plotted

#other functionalities of masked arrays
X.compressed() # get normal array with masked values removed
X.mask # get a boolean array of the mask
X.mean() # it automatically discards masked values

X=np.random.randn（1e3,5）
X[np.abs（X）<.1]=0#一些零
X=np.ma.masked_等于（X，0）
plt.箱线图（X）#未绘制遮罩值
#屏蔽阵列的其他功能
X.compressed（）#获取移除屏蔽值的正常数组
X.mask#获取掩码的布尔数组
X.mean（）#它会自动丢弃屏蔽值

一行简单的代码可以得到一个排除所有“0”值的数组：

np.argwhere(*array*)

例如：

import numpy as np
array = [0, 1, 0, 3, 4, 5, 0]
array2 = np.argwhere(array)
print array2

[1, 3, 4, 5]

---

一行简单的代码可以得到一个排除所有“0”值的数组：

np.argwhere(*array*)

例如：

import numpy as np
array = [0, 1, 0, 3, 4, 5, 0]
array2 = np.argwhere(array)
print array2

[1, 3, 4, 5]

---

您可以使用布尔数组进行索引。对于NumPy数组

a

：

res = A[A != 0]

您可以如上所述使用，

bool

type conversion，或。以下是一些性能基准测试：

# Python 3.7, NumPy 1.14.3

np.random.seed(0)

A = np.random.randint(0, 5, 10**8)

%timeit A[A != 0]          # 768 ms
%timeit A[A.astype(bool)]  # 781 ms
%timeit A[np.nonzero(A)]   # 1.49 s
%timeit A[np.where(A)]     # 1.58 s

---

您可以使用布尔数组进行索引。对于NumPy数组

a

：

res = A[A != 0]

您可以如上所述使用，

bool

type conversion，或。以下是一些性能基准测试：

# Python 3.7, NumPy 1.14.3

np.random.seed(0)

A = np.random.randint(0, 5, 10**8)

%timeit A[A != 0]          # 768 ms
%timeit A[A.astype(bool)]  # 781 ms
%timeit A[np.nonzero(A)]   # 1.49 s
%timeit A[np.where(A)]     # 1.58 s

---

我决定比较一下这里提到的不同方法的运行时，我已经使用了我的库

使用

array[array！=0]

的布尔索引似乎是最快（也是最短）的解决方案

对于较小的数组，与其他方法相比，MaskedArray方法非常慢，但是与布尔索引方法一样快。但是对于中等大小的数组，它们之间没有太大差异

以下是我使用的代码：

从simple_benchmark导入BenchmarkBuilder
将numpy作为np导入
bench=BenchmarkBuilder（）
@bench.add_函数（）
def布尔_索引（arr）：
返回arr[arr！=0]
@bench.add_函数（）
def整数索引非零（arr）：
返回arr[np.非零（arr）]
@bench.add_函数（）
def整数索引，其中（arr）：
返回arr[np.where（arr！=0）]
@bench.add_函数（）
def屏蔽_阵列（arr）：
返回np.ma.masked_equal（arr，0）
@添加参数（'数组大小'）
def参数_提供程序（）：
对于范围（3,25）内的exp：
尺寸=2**exp
arr=np.随机.随机（大小）
arr[arr<0.1]=0#加上一些零
产量大小
r=工作台运行（）
r、 绘图（）

我决定比较这里提到的不同方法的运行时。为此，我使用了我的库

使用

array[array！=0]

的布尔索引似乎是最快（也是最短）的解决方案

对于较小的数组，与其他方法相比，MaskedArray方法非常慢，但是与布尔索引方法一样快。但是对于中等大小的数组，它们之间没有太大差异

以下是我使用的代码：

从simple_benchmark导入BenchmarkBuilder
将numpy作为np导入
bench=BenchmarkBuilder（）
@bench.add_函数（）
def布尔_索引（arr）：
返回arr[arr！=0]
@bench.add_函数（）
def整数索引非零（arr）：
返回arr[np.非零（arr）]
@bench.add_函数（）
def整数索引，其中（arr）：
返回arr[np.where（arr！=0）]
@bench.add_函数（）
def屏蔽_阵列（arr）：
返回np.ma.masked_equal（arr，0）
@添加参数（'数组大小'）
def参数_提供程序（）：
对于范围（3,25）内的exp：
尺寸=2**exp
arr=np.随机.随机（大小）
arr[arr<0.1]=0#加上一些零
产量大小
r=工作台运行（）
r、 绘图（）

[i为数组中的i，如果i！=0.0]

如果数字是浮点数

---

或

[i为i，如果i！=0]

如果数字为int。

[i为i，如果i！=0.0]

如果数字为浮点数

---

或者

[i为i，如果i！=0]

如果数字为int。

非常感谢，这确实非常有效（！）更快。是否可以在更高秩的NumMpy数组或矩阵上执行类似的操作？因为在这里，出现了二元数不再正确匹配的问题…@rubae:If

a

具有更高的维数，结果将是一个扁平（一维）数组。还可以删除