Python 比较numpy数组中的整行和整列，并删除选定的行和列

我有两个方形数组，其

shape=（25,25）

，我想检查整行是否用零填充，以及对应的列是否用零填充。如果是这种情况，我希望从数组中删除这些列和行

例如：

array = np.array([[1, 0, 1, 1],
                  [0, 0, 0, 0],
                  [1, 0, 1, 1],
                  [1, 0, 1, 1]])

我希望它被操纵

array=np.array([[1, 1, 1],
                [1, 1, 1],
                [1, 1, 1]])

我希望你能理解我的目的。在本例中，行和列2已被删除，因为它们是零行/列

我可以通过遍历所有这些数组来做到这一点，因为我有1000万个数组，我希望有一个pythonic/高效的方法来解决这个问题

第二个数组是一个tensorflow数组，如果我知道要删除的行和列的索引，这应该不会有问题

编辑：

我现在找到了以下解决方案，但它用于循环：

def removepadding(y_true, y_pred):
 shape = np.shape(y_true)
 y_true_cleaned=[]
 for i in range(shape[0]):
     x = y_true[i]
     for n in range(shape[1] - 1, -1, -1):
         if sum(x[n, :]) == 0 and sum(x[:, n]) == 0:
             x = np.delete(np.delete(x, n, 0), n, 1)
     y_true_cleaned.append(x)

 return y_true_cleaned

---

编辑：感谢@mad physicator，我们可以使用np.flatnonzero。以下是2d案例：

将numpy导入为np
a=np.数组（[[1,0,2,3,0,4]，
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[2,0,3,4,0,5],
[3,0,4,5,0,6],
[4,0,5,6,0,7],
[5,0,6,7,0,8]])
cols_to_keep=np.flatnonzero（a.sum（axis=0））
行\u至\u keep=np.flatnonzero（a.sum（轴=1））
a=a[：，cols\u to\u keep]
a=a[要保留的行：]
A.
>>>
数组（[[1,2,3,4]，
[2, 3, 4, 5],
[3, 4, 5, 6],
[4, 5, 6, 7],
[5, 6, 7, 8]])

以下是3d案例：

将numpy导入为np
a=np.array([
[[1,0,2,3,0,4],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[2,0,3,4,0,5],
[3,0,4,5,0,6],
[4,0,5,6,0,7],
[5,0,6,7,0,8]],
[[0,0,0,0,0,0],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[0,0,0,0,0,0]],
[[5,0,5,5,0,5],
[0,0,0,0,0,0],
[0,0,0,0,0,0],
[2,0,3,4,0,5],
[3,0,4,5,0,6],
[4,0,5,6,0,7],
[5,0,6,7,0,8]],
])
ix_保持_轴_0=np.flatnonzero（a.sum（轴=（1,2）））
ix_保持_轴_1=np.flatnonzero（a.sum（轴=（0,2）））
ix_保持_轴_2=np.flatnonzero（a.sum（轴=（0，1）））
a=a[ix_保持_轴0，：，：]
a=a[：，ix_保持_轴_1，：]
a=a[：，：，ix_保持轴2]
A.
>>>
数组（[[1,2,3,4]，
[2, 3, 4, 5],
[3, 4, 5, 6],
[4, 5, 6, 7],
[5, 6, 7, 8]],
[[5, 5, 5, 5],
[2, 3, 4, 5],
[3, 4, 5, 6],
[4, 5, 6, 7],
[5, 6, 7, 8]]])

您可以在一行中完成：

array[array.any(axis = 1)][:, array.any(axis = 0)]
#array([[1, 1, 1],
#       [1, 1, 1],
#       [1, 1, 1]])

您可以使用在每个维度的一个步骤中获取索引：

nnz_row = np.count_nonzero(array, axis=1)
nnz_col = np.count_nonzero(array, axis=0)

现在，制作一个掩码，其中两个都为零：

mask = (nnz_row == 0) & (nnz_col == 9)

您可以将遮罩转换为索引并将其传递给：

或者，您可以计算正遮罩：

pmask = nnz_row.astype(bool) | nnz_col.astype(bool)

array = array[pmask, :][:, pmask]

此遮罩可以直接选择，类似于

delete

对负片遮罩所做的操作：

pmask = nnz_row.astype(bool) | nnz_col.astype(bool)

array = array[pmask, :][:, pmask]

---

如果arr中存在负值，

np.sum

可能会失败

对于二维阵列：

import numpy as np
a = np.array([[1,0,2,3,0,4],
              [0,0,0,0,0,0],
              [0,0,0,0,0,0],
              [2,0,3,4,0,5],
              [3,0,4,5,0,6],
              [4,0,5,6,0,7],
              [5,0,6,7,0,8]])
row = np.all(a==0, axis=1)
col = np.all(a==0, axis=0)
a[~row][:,~col]

输出

array([[1, 2, 3, 4],
       [2, 3, 4, 5],
       [3, 4, 5, 6],
       [4, 5, 6, 7],
       [5, 6, 7, 8]])

对于三维阵列：

a = np.ones((3,3,3))
a[1,:,1] = 0
a[1,1,:] = 0
a[:,1,1] = 0
z = np.all(a==0, axis=2)
y = np.all(a==0, axis=1)
x = np.all(a==0, axis=0)
Z = ~np.array([z]*a.shape[2])
Y = ~np.array([y]*a.shape[1])
X = ~np.array([x]*a.shape[0])
ZZ, YY, XX = (Z*Y*X).nonzero()
a[ZZ, YY, XX]

---

嘿，谢谢，你的方法看起来不错。我如何有效地扩展您的代码以处理一批这些数组呢？假设我有一个

shape=（512,25,25）

的数组？您可以跳过对

where

的调用。在这两种情况下，传入的掩码都可以直接用于索引。如果确实需要索引，请在此处使用

np.flatnonzero

。如果希望输出为3D数组，则可能无法将其扩展到3D。一旦你从3D数组中删除一些数据，数组就会崩溃，但你只需要索引，这是非常可行的。感谢你的评论，我编辑了使用np.flatnonzero并展示了一个3D案例。

np.any（array！=0，axis=1）

可以简化为

array.any（axis=1）

@GZ0漂亮！我简化了它