Python 剪切数组的行和列

我有一个2D数组（NumPy数组），希望得到一个子数组，它是剪切给定行和列的结果

例如，我发现了一种方法：

In [111]: mat
Out[111]: 
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20],
       [21, 22, 23, 24, 25]])

In [112]: np.delete(np.delete(mat, 3, 1), 0,0)
Out[112]: 
array([[ 6,  7,  8, 10],
       [11, 12, 13, 15],
       [16, 17, 18, 20],
       [21, 22, 23, 25]])

这将删除第0行和第3列。但是，我认为这不是很好，而且据我所知，它必须为两个额外的数组分配空间，一个用于

np.delete

的每个返回

所以问题是，是否有某种方法可以以更高效的读取和存储方式获得所需的结果？理想情况下，它只提供对数组正确元素的引用，而不是完整副本。请注意，这个示例不是我需要的数组，答案应该适用于删除行

I

和列

j

的

nxn

。

如何

mat[[1,2,3,4],:][:,[0,1,2,4]]

---

应该给出相同的结果吗？

您可以使用带有简单索引的

np.column\u stack

：

>>> np.column_stack((A[1:,:3],A[1:,4:]))
array([[ 6,  7,  8, 10],
       [11, 12, 13, 15],
       [16, 17, 18, 20],
       [21, 22, 23, 25]])

---

实际删除

要实际删除元素，这里有一个使用-

运行时测试-

In [220]: def cut_valid_array(mat,row_cut,col_cut):
     ...:   m,n = mat.shape
     ...:   row_mask = ~np.in1d(np.arange(m),row_cut)
     ...:   col_mask = ~np.in1d(np.arange(n),col_cut)
     ...:   return mat[(row_mask[:,None]*col_mask)].reshape(-1,n-1)
     ...: 

In [221]: mat = np.random.randint(0,100,(1000,1000))

In [222]: %timeit np.delete(np.delete(mat, col_cut, 1), row_cut,0)
10 loops, best of 3: 26.3 ms per loop

In [223]: mat = np.random.randint(0,100,(1000,1000))

In [224]: %timeit cut_valid_array(mat,row_cut,col_cut)
100 loops, best of 3: 7.48 ms per loop

In [225]: def cut_valid_mask(mat,row_cut,col_cut):
     ...:   m,n = mat.shape
     ...:   row_mask = ~np.in1d(np.arange(m),row_cut)
     ...:   col_mask = ~np.in1d(np.arange(n),col_cut)
     ...:   return (row_mask[:,None]*col_mask)
     ...: 

In [226]: mat = np.random.randint(0,100,(1000,1000))

In [227]: %timeit np.delete(np.delete(mat, col_cut, 1), row_cut,0)
10 loops, best of 3: 27 ms per loop

In [228]: mat = np.random.randint(0,100,(1000,1000))

In [229]: %timeit cut_valid_mask(mat,row_cut,col_cut)
1000 loops, best of 3: 414 µs per loop

保留有效的掩码

您还可以创建一个有效元素的二维掩码，当然也可以创建与输入数组形状相同的二维掩码，以获得更节省内存和时间的方法，如下所示-

m,n = mat.shape
row_mask = ~np.in1d(np.arange(m),row_cut)
col_mask = ~np.in1d(np.arange(n),col_cut)
mask2D = (row_mask[:,None]*col_mask)

运行时测试-

In [220]: def cut_valid_array(mat,row_cut,col_cut):
     ...:   m,n = mat.shape
     ...:   row_mask = ~np.in1d(np.arange(m),row_cut)
     ...:   col_mask = ~np.in1d(np.arange(n),col_cut)
     ...:   return mat[(row_mask[:,None]*col_mask)].reshape(-1,n-1)
     ...: 

In [221]: mat = np.random.randint(0,100,(1000,1000))

In [222]: %timeit np.delete(np.delete(mat, col_cut, 1), row_cut,0)
10 loops, best of 3: 26.3 ms per loop

In [223]: mat = np.random.randint(0,100,(1000,1000))

In [224]: %timeit cut_valid_array(mat,row_cut,col_cut)
100 loops, best of 3: 7.48 ms per loop

In [225]: def cut_valid_mask(mat,row_cut,col_cut):
     ...:   m,n = mat.shape
     ...:   row_mask = ~np.in1d(np.arange(m),row_cut)
     ...:   col_mask = ~np.in1d(np.arange(n),col_cut)
     ...:   return (row_mask[:,None]*col_mask)
     ...: 

In [226]: mat = np.random.randint(0,100,(1000,1000))

In [227]: %timeit np.delete(np.delete(mat, col_cut, 1), row_cut,0)
10 loops, best of 3: 27 ms per loop

In [228]: mat = np.random.randint(0,100,(1000,1000))

In [229]: %timeit cut_valid_mask(mat,row_cut,col_cut)
1000 loops, best of 3: 414 µs per loop

---

我认为您的解决方案没有那么糟糕，问题是通过删除任意“行”和“列”，您正在破坏数组的结构（签出），获得具有该新结构的数组的唯一方法是重新分配它

---

通常只返回数组的内存有效视图，例如，使用常规切片（没有奇特的东西，例如列表）。

如果数组是

nxn

，我想剪切行

i

和列

j

？我应该说，这个示例不是示例中的数组不是我正在使用的数组。您可以考虑允许在某种意义上，在不复制数据的情况下，将数组“剪切”出行和列。开销是内存效率高的位掩码。否则，我相信，如果不创建副本，就很难做到这一点。如果不能用切片表示法（开始、停止、步骤）表达选择（保留的内容），那么就无法避免创建一个或多个副本。在我看来，事实上就是如此。我似乎也无法从蒙面矩阵中获得正确的行为。这似乎是建议答案中最快的（也是最可读的）。结果仍然是一个新的数组，但这似乎是不可避免的。我非常喜欢这个，但我似乎无法从屏蔽数组中获得正确的行为。第一个建议我很喜欢，但被接受的答案是快一点（短一点）。无论如何谢谢你@Bendik当你在输入数组上使用掩码时，你会得到一个1D数组。因此，在此之后，您需要重塑：

。重塑（-1，n-1）

，如函数

def cut\u valid\u array

中所述。很乐意帮忙！是的，我是从第一个函数中得到的。似乎我无法从蒙面阵列中得到我所需要的。。。无论如何，再次谢谢你。