Python 在对数组的列取中值时,如何忽略零?
我有一个简单的numpy数组Python 在对数组的列取中值时,如何忽略零?,python,arrays,numpy,zero,median,Python,Arrays,Numpy,Zero,Median,我有一个简单的numpy数组 array([[10, 0, 10, 0], [ 1, 1, 0, 0] [ 9, 9, 9, 0] [ 0, 10, 1, 0]]) 我想分别取这个数组中每列的中位数 但是,在计算中间值时,我希望在各个位置忽略一些0值 更复杂的是,我想将只有0条目的列保留为中位数0。通过这种方式,这些列将充当一个占位符,保持矩阵的尺寸不变 numpy文档中没有任何可以满足我需要的参数(也许我被我们使用
array([[10, 0, 10, 0],
[ 1, 1, 0, 0]
[ 9, 9, 9, 0]
[ 0, 10, 1, 0]])
我想分别取这个数组中每列的中位数
但是,在计算中间值时,我希望在各个位置忽略一些0
值
更复杂的是,我想将只有0
条目的列保留为中位数0
。通过这种方式,这些列将充当一个占位符,保持矩阵的尺寸不变
numpy文档中没有任何可以满足我需要的参数(也许我被我们使用R获得的许多开关宠坏了!)
numpy.median(a,axis=None,out=None,overwrite\u input=False)[source]
有人能告诉我们一个有效的方法吗?这符合numpy的精神?我可以破解它,但在这种情况下,我觉得我已经击败了使用numpy的初衷
提前谢谢。这可能会有所帮助。获得非零数组后,可以直接从[nonzero(a)] numpy.nonzero(a)[来源] 你可以用
使用遮罩数组和
np.ma.median(axis=0).filled(0)
获取列的中间值
In [1]: x = np.array([[10, 0, 10, 0], [1, 1, 0, 0], [9, 9, 9, 0], [0, 10, 1, 0]])
In [2]: y = np.ma.masked_where(x == 0, x)
In [3]: x
Out[3]:
array([[10, 0, 10, 0],
[ 1, 1, 0, 0],
[ 9, 9, 9, 0],
[ 0, 10, 1, 0]])
In [4]: y
Out[4]:
masked_array(data =
[[10 -- 10 --]
[1 1 -- --]
[9 9 9 --]
[-- 10 1 --]],
mask =
[[False True False True]
[False False True True]
[False False False True]
[ True False False True]],
fill_value = 999999)
In [6]: np.median(x, axis=0)
Out[6]: array([ 5., 5., 5., 0.])
In [7]: np.ma.median(y, axis=0).filled(0)
Out[7]:
array(data = [ 9. 9. 9., 0.])
屏蔽数组
总是很方便,但很慢:
In [14]:
%timeit np.ma.median(y, axis=0).filled(0)
1000 loops, best of 3: 1.73 ms per loop
In [15]:
%%timeit
ans=np.apply_along_axis(lambda v: np.median(v[v!=0]), 0, x)
ans[np.isnan(ans)]=0.
1000 loops, best of 3: 402 µs per loop
In [16]:
ans=np.apply_along_axis(lambda v: np.median(v[v!=0]), 0, x)
ans[np.isnan(ans)]=0.; ans
Out[16]:
array([ 9., 9., 9., 0.])
np.非零
更快:
In [25]:
%%timeit
ans=np.apply_along_axis(lambda v: np.median(v[np.nonzero(v)]), 0, x)
ans[np.isnan(ans)]=0.
1000 loops, best of 3: 384 µs per loop
In [14]:
%timeit np.ma.median(y, axis=0).filled(0)
1000 loops, best of 3: 1.73 ms per loop
In [15]:
%%timeit
ans=np.apply_along_axis(lambda v: np.median(v[v!=0]), 0, x)
ans[np.isnan(ans)]=0.
1000 loops, best of 3: 402 µs per loop
In [16]:
ans=np.apply_along_axis(lambda v: np.median(v[v!=0]), 0, x)
ans[np.isnan(ans)]=0.; ans
Out[16]:
array([ 9., 9., 9., 0.])
In [25]:
%%timeit
ans=np.apply_along_axis(lambda v: np.median(v[np.nonzero(v)]), 0, x)
ans[np.isnan(ans)]=0.
1000 loops, best of 3: 384 µs per loop