Python 查找numpy数组中多个值的行索引
我有一个数组X：Python 查找numpy数组中多个值的行索引,python,arrays,numpy,Python,Arrays,Numpy,我有一个数组X： X = np.array([[4, 2], [9, 3], [8, 5], [3, 3], [5, 6]]) 我希望找到这个数组中多个值行的索引： searched_values = np.array([[4, 2], [3, 3], [5, 6
X = np.array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
searched_values = np.array([[4, 2],
[3, 3],
[5, 6]])
[0,3,4]
X = np.array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
searched_values = np.array([[4, 2],
[3, 3],
[5, 6]])
result = []
for s in searched_values:
idx = np.argwhere([np.all((X-s)==0, axis=1)])[0][1]
result.append(idx)
print(result)
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
np.searchsortedXsearched\u值中的每一行都有匹配项
它是如何工作的？
此函数为我们提供了线性索引等价数。它接受一个2D
数组，设置为列和n维网格本身的形状，这些索引将映射到该网格上，并计算等效的线性索引
让我们利用手头问题的输入。以输入X
为例，记下它的第一行。因为，我们试图将X
的每一行转换为它的线性索引等价物，并且因为np.ravel\u multi\u index
假设每一列都是一个索引元组，所以在输入函数之前，我们需要对X
进行转置。由于在这种情况下，X
中每行元素的数量是2
，因此要映射到的n维网格将是2D
。在X
中，每行有3个元素，它应该是3D
网格，用于映射等等
查看此函数如何计算线性索引，考虑<代码> x < /代码> -< /p>的第一行。
In [77]: X
Out[77]:
array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
In [77]: X
Out[77]:
array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
我们将n维网格的形状设置为dims
-
In [78]: dims
Out[78]: array([10, 7])
让我们创建二维网格，看看映射是如何工作的，并使用np.ravel\u multi\u index
-
In [79]: out = np.zeros(dims,dtype=int)
In [80]: out
Out[80]:
array([[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],
[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]])
让我们设置X
中的第一个索引元组，即X
中的第一行-
In [81]: out[4,2] = 1
In [82]: out
Out[82]:
array([[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, 1, 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]])
现在，为了查看刚刚设置的元素的线性索引等价物，让我们展平并使用np.where
来检测1
In [83]: np.where(out.ravel())[0]
Out[83]: array([30])
如果考虑到行主顺序，也可以计算此值
让我们使用np.ravel\u multi\u index
并验证这些线性索引-
In [84]: np.ravel_multi_index(X.T,dims)
Out[84]: array([30, 66, 61, 24, 41])
因此，我们将具有与X
中的每个索引元组对应的线性索引，即X
中的每一行
为np.ravel\u多重索引选择维度
以形成唯一的线性索引
现在，将X
的每一行视为一个n维网格的索引元组，并将每一个这样的元组转换为一个标量，其背后的思想是具有对应于唯一元组的唯一标量，即X
中的唯一行
让我们再看一看X
-
In [77]: X
Out[77]:
array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
In [77]: X
Out[77]:
array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
现在，如前一节所讨论的，我们将每一行视为索引元组。在每个这样的索引元组中，第一个元素表示n-dim网格的第一个轴，第二个元素表示网格的第二个轴，依此类推，直到X
中每行的最后一个元素。本质上，每一列将代表网格的一个维度或轴。如果我们要把所有的元素从<代码> x>代码>映射到同一个n-朦胧网格上，我们需要考虑这样一个提出的n-朦胧网格的每个轴的最大拉伸。假设我们处理的是X
中的正数，那么这样的延伸就是X
+1中每列的最大值。+1
是因为Python遵循基于0的
索引。因此，例如X[1,0]==9
将映射到建议网格的第10行。类似地，X[4,1]==6将进入该网格的7列
因此，对于我们的示例案例，我们有-
In [7]: dims = X.max(axis=0) + 1 # Or simply X.max(0) + 1
In [8]: dims
Out[8]: array([10, 7])
因此，对于我们的示例案例，我们需要一个形状至少为（10,7）
的网格。沿维度增加长度不会有什么坏处，也会给我们带来唯一的线性指数
结束语：这里需要注意的一件重要事情是，如果我们在X
中有负数，我们需要在X
中的每一列添加适当的偏移量，以使这些索引元组成为正数，然后再使用np.ravel_multi_index
方法1
X = np.array([[4, 2],
[9, 3],
[8, 5],
[3, 3],
[5, 6]])
S = np.array([[4, 2],
[3, 3],
[5, 6]])
result = [[i for i,row in enumerate(X) if (s==row).all()] for s in S]
一种方法是像这样使用-
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
方法#2
一种节省内存的方法是将每一行转换为等价的线性索引，然后像这样使用-
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
方法#3
另一种高效内存的方法是使用相同的转换为线性索引等价物的原理-
np.where((X==searched_values[:,None]).all(-1))[1]
dims = X.max(0)+1
out = np.where(np.in1d(np.ravel_multi_index(X.T,dims),\
np.ravel_multi_index(searched_values.T,dims)))[0]
dims = X.max(0)+1
X1D = np.ravel_multi_index(X.T,dims)
searched_valuesID = np.ravel_multi_index(searched_values.T,dims)
sidx = X1D.argsort()
out = sidx[np.searchsorted(X1D,searched_valuesID,sorter=sidx)]
请注意，此np.searchsorted
方法假定X
中的searched\u值中的每一行都有匹配项
它是如何工作的？
此函数为我们提供了线性索引等价数。它接受一个2D
数组，设置为列和n维网格本身的形状，这些索引将映射到该网格上，并计算等效的线性索引
让我们利用手头问题的输入。以输入X
为例，记下它的第一行。因为，我们试图将X
的每一行转换为它的线性索引等价物，并且因为np.ravel\u multi\u index
假设每一列都是一个索引元组，所以在输入函数之前，我们需要对X
进行转置。因为，在这种情况下，X
中每行的元素数为