Python 如何在3d numpy数组中查找2d数组的行

我试图找到一行，其中一个二维数组出现在一个三维数组中。这里有一个例子来说明我的意思。给出：

arr = [[[0, 3], [3, 0]],
       [[0, 0], [0, 0]],
       [[3, 3], [3, 3]],
       [[0, 3], [3, 0]]]

我想查找以下所有事件：

[[0, 3], [3, 0]]

我想要的结果是：

[0, 3]

我试着使用

argwhere

，但不幸的是，我什么也没用。有什么想法吗？

试试看

np.argwhere(np.all(arr==[[0,3], [3,0]], axis=(1,2)))

---

工作原理：

arr==[[0,3]，[3,0]]

返回

array([[[ True,  True],
        [ True,  True]],

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

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

       [[ True,  True],
        [ True,  True]]], dtype=bool)

这是一个三维数组，其中最里面的轴是2。该轴上的值为：

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

现在使用

np.all（arr==[[0,3]，[3,0]]，axis=2）

检查一行上的两个元素是否都是

True

，其形状将从（4,2,2）减少到（4,2）。像这样：

array([[ True,  True],
       [False, False],
       [False, False],
       [ True,  True]], dtype=bool)

您还需要进行一个步骤的缩减，因为您希望两者都相同（都是

[0,3]

和

[3,0]

。您可以通过在结果上进行缩减（现在最里面的轴是1）：

或者，您也可以通过为axis参数提供一个元组来逐步执行相同的操作（首先是最内部的，然后是更高的一步）。结果将是：

array([ True, False, False,  True], dtype=bool)

---

在中，您可以在定义新数据类型后使用

np.in1d

，该数据类型将具有

arr

中每行的内存大小。要定义此类数据类型：

mydtype = np.dtype((np.void, arr.dtype.itemsize*arr.shape[1]*arr.shape[2]))

然后，您必须将

arr

转换为一维数组，其中每行都有

arr.shape[1]*arr.shape[2]

元素：

aView = np.ascontiguousarray(arr).flatten().view(mydtype)

现在，您已经准备好查找二维阵列模式

[[0,3]，[3,0]]

，该模式还必须转换为

dtype

：

bView = np.array([[0, 3], [3, 0]]).flatten().view(mydtype)

您现在可以在

aView

中检查

bView

的出现情况：

np.in1d(aView, bView)
#array([ True, False, False,  True], dtype=bool)

使用

np可以轻松地将此掩码转换为索引。例如，其中

时间安排（更新） 以下功能用于实现此方法：

def check2din3d(b, a):
        """
        Return where `b` (2D array) appears in `a` (3D array) along `axis=0`
        """
        mydtype = np.dtype((np.void, a.dtype.itemsize*a.shape[1]*a.shape[2]))
        aView = np.ascontiguousarray(a).flatten().view(mydtype)
        bView = np.ascontiguousarray(b).flatten().view(mydtype)
        return np.in1d(aView, bView)

考虑到@ayhan评论的更新计时表明，该方法可以比np.argwhere更快，但差异并不显著，对于如下所示的大型阵列，@ayhan的方法要快得多：

arrLarge = np.concatenate([arr]*10000000)
arrLarge = np.concatenate([arrLarge]*10, axis=2)

pattern = np.ascontiguousarray([[0,3]*10, [3,0]*10])

%timeit np.argwhere(np.all(arrLarger==pattern, axis=(1,2)))
#1 loops, best of 3: 2.99 s per loop

%timeit check2din3d(pattern, arrLarger)
#1 loops, best of 3: 4.65 s per loop

---

包中的“contains”函数（免责声明：我是它的作者）可以用来进行此类查询。它实现了一个类似于Saullo提供的解决方案

import numpy_indexed as npi
test = [[[0, 3], [3, 0]]]
# check which elements of arr are present in test (checked along axis=0 by default)
flags = npi.contains(test, arr)
# if you want the indexes:
idx = np.flatnonzero(flags)

---

太棒了！！轴的整个概念让我很困惑。你能解释一下为什么轴=（1,2）工作？当然，我会尽力解释。我对性能不太了解，但我相信你还需要考虑一个视图构造，它大约需要80%的时间

np。所有的
都需要。我无法在你提到的更高维度上重现2倍或6倍的性能改进。创建视图应该是O（1）如果数组已经是连续的；它们应该是连续的。也许它没有创建视图，但似乎有一些东西不是O（1）.我在这里做得不对吗？@ayhan我不得不给你我的投票结果…对于非常大的数组，你的方法比这个方法快。对于中间数组，它们非常接近。RegardsThanks。我想可能是随机数产生了最坏的情况。顺便说一句，我从你的方法中学到了很多。很高兴认识Eelco（+1），它是在NumPy中出现的吗？我本来打算用它来制作一个NumPy EP；但是向后兼容性会有点差，我决定在NumPy发布周期允许的时间之前就想要这个功能。但是，是的，我认为如果这个包中的功能能够进入NumPy，这会很有意义。
import numpy_indexed as npi
test = [[[0, 3], [3, 0]]]
# check which elements of arr are present in test (checked along axis=0 by default)
flags = npi.contains(test, arr)
# if you want the indexes:
idx = np.flatnonzero(flags)