Python 将操作应用于numpy阵列的不均匀分割部分

我有三个1D numpy阵列：

一些测量发生的时间列表（

t

）

在

t

（

y

）中每次发生的测量值列表

影响这些测量的某些外部更改的（较短）时间列表（

b

）

以下是一个例子：

t = np.array([0.33856697, 1.69615293, 1.70257872, 2.32510279, 2.37788203, 2.45102176, 2.87518307, 3.60941650, 3.78275907, 4.37970516, 4.56480259, 5.33306546, 6.00867792, 7.40217571, 7.46716989, 7.6791613 , 7.96938078, 8.41620336, 9.17116349, 10.87530965]) y = np.array([ 3.70209916, 6.31148802, 2.96578172, 3.90036915, 5.11728629, 2.85788050, 4.50077811, 4.05113322, 3.55551093, 7.58624384, 5.47249362, 5.00286872, 6.26664832, 7.08640263, 5.28350628, 7.71646500, 3.75513591, 5.72849991, 5.60717179, 3.99436659]) b = np.array([ 1.7, 3.9, 9.5]) 这似乎效率极低。不幸的是，

np.where

在这种情况下没有多大帮助。有没有一种方法可以将我在这里描述的操作矢量化，以避免Python

for

循环

---

顺便说一下，这里有一个

y

vs

t

，

bias

，以及由

b

分隔的区域的图，以显示预期的

结果是
数组（[False，False，True，False]，dtype=bool）
：


产生于

from matplotlib import pyplot as plt
from matplotlib.patches import Rectangle
plt.ion()
f, a = plt.subplots()
a.plot(t, y, label='y vs t')
a.hlines(5, *a.get_xlim(), label='bias')
plt.tight_layout()
a.set_xlim(0, 11)
c = np.concatenate([[0], b, [11]])
for i in range(len(c) - 1):
    a.add_patch(Rectangle((c[i], 2.5), c[i+1] - c[i], 8 - 2.5, alpha=0.2, color=('red' if i % 2 else 'green'), zorder=-i-5))
a.legend()

这难道不应该产生同样的结果吗

split_points = np.searchsorted(t, np.r_[t[0], b, t[-1]])
numerator = np.add.reduceat(y > bias, split_points[:-1])
denominator = np.diff(split_points)
result = (numerator / denominator) > 0.5

很少注意：这种方法依赖于t被排序。那么相对于b的箱子都是整洁的块，所以我们不需要遮罩来描述它们，只需要将端点以索引的形式表示为t。这就是
searchsorted
为我们找到的

由于您的标准似乎不依赖于组，我们可以一次性为所有y制作一个大面具。在布尔数组中计算非零与求和是一样的，因为真的将被强制为1等。这种情况下的优点是我们可以使用
add.reduceat
，它获取数组、拆分点列表，然后对拆分之间的块求和，这正是我们想要的

为了正常化，我们需要计算每个箱子中的总数，但是因为箱子是连续的，我们只需要描述该箱子的分割点的差值，这就是我们使用
diff
的地方，因为你的类别是连续的，你不能只使用
add.reduceat
对通过与bias比较得到的布尔值进行处理吗？使用拆分点，您可以使用
searchsorted
获得最便宜的拆分点？另外，如果我没有完全弄错，您可以使用拆分点的
diff
作为您的denominator@PaulPanzer. 请你用一个完整的答案来澄清这一点。我只知道你的目标是什么，但我真的不知道你在具体实现方面的意思。有什么理由让
r\uu
vs
concatenate
？而且，这是非常清楚的。我印象深刻。谢谢。另外，我完全不知道
reduceat
。它确实能满足我的需要。@madpysicator
r\uz
只是我个人的喜好是的
reduceat
非常有用不客气只有一个问题：它真的有效吗？因为我没有测试。是的，效果很好。我检查了每一步是否符合我的要求。
split_points = np.searchsorted(t, np.r_[t[0], b, t[-1]])
numerator = np.add.reduceat(y > bias, split_points[:-1])
denominator = np.diff(split_points)
result = (numerator / denominator) > 0.5