Python Numpy：在2D布尔数组中按项目快速计算真实实例

我有一个二维布尔数组，例如：

[[False, True, True],
[True, False, True],
[True, False, False],
[True, True, True]]

对于数组中的每一行，我想计算True的实例，并创建一个与原始数组形状相同的新的逐项数组，其中每个条目都是该行中以前所有True实例的总和。对于上面的示例，我希望的输出是：

[[0, 0, 1],
[0, 1, 1],
[0, 1, 1],
[0, 1, 2]]

有没有办法在Numpy中快速执行此操作，而不是像这样检查数组中的每个项目：

boolarr = np.array([[0, 1, 1], [1, 0, 1], [1, 0, 0], [1, 1, 1]], dtype=np.bool)

newarr = np.zeros(boolarr.shape)

for i, row in enumerate(boolarr):
    for index, item in enumerate(row):
        if item:
            newarr[i][index+1:] += 1

我的阵列足够大（40 x 1260），速度是一个因素，因为这需要重复很多次

谢谢。

基本上，您可以沿第二个轴使用，并在开始处使用“全零”列。因此，假设

A

作为输入数组，您可以-

np.column_stack((np.zeros((A.shape[0],1),dtype=A.dtype),A[:,:-1].cumsum(1)))

一种更有效的方法是用全零初始化输出数组，然后将求和值插入其中，如下所示-

out = np.zeros(A.shape,dtype=int)
out[:,1:] = A[:,:-1].cumsum(1)

样本运行-

In [30]: A
Out[30]: 
array([[False,  True,  True],
       [ True, False,  True],
       [ True, False, False],
       [ True,  True,  True]], dtype=bool)

In [31]: np.column_stack((np.zeros((A.shape[0]),dtype=A.dtype),A[:,:-1].cumsum(1)))
Out[31]: 
array([[0, 0, 1],
       [0, 1, 1],
       [0, 1, 1],
       [0, 1, 2]])

In [32]: out = np.zeros(A.shape,dtype=int)
    ...: out[:,1:] = A[:,:-1].cumsum(1)
    ...: 

In [33]: out
Out[33]: 
array([[0, 0, 1],
       [0, 1, 1],
       [0, 1, 1],
       [0, 1, 2]])

---

cumsum

是你的朋友！它是累积和的缩写，您可以给它一个“轴”，在您的情况下，尝试运行：

np.cumsum(boolarr,axis=1) - boolarr

---

减法只是去掉了“当前”值。

很简单，这正是我想要的！谢谢：）