用于计算满足条件的元素数量的 Numpy 掩码

Posted 2023-02-23

【中文标题】用于计算满足条件的元素数量的 Numpy 掩码

【英文标题】：Numpy mask to count number of elements satisfying a condition

【发布时间】：2018-09-20 13:53:43

【问题描述】：

如何使用 Numpy 将这个 for 循环向量化？

count=0
arr1 = np.random.rand(184,184)
for i in range(arr1.size[0]):
    for j in range(arr1.size[1]):
        if arr1[i,j] > 0.6:
            count += 1
print count

我试过了：

count=0
arr1 = np.random.rand(184,184)
mask = (arr1>0.6)
indices = np.where(mask)
print indices , len(indices) 

我希望 len(indices) 给出计数，但它没有。请有任何建议。

【参考方案1】：

您也可以使用 Numpy 数组的 size 属性：

arr1 = np.random.rand(184,184)

arr1[ arr1 > 0.6 ].size

【参考方案2】：

np.count_nonzero 应该比总和快一点：

np.count_nonzero(arr1 > 0.6)

其实***倍

>>> from timeit import repeat
>>> kwds = dict(globals=globals(), number=10000)
>>> 
>>> arr1 = np.random.rand(184,184)
>>> 
>>> repeat('np.count_nonzero(arr1 > 0.6)', **kwds)
[0.15281831508036703, 0.1485864429268986, 0.1477385900216177]
>>> repeat('(arr1 > 0.6).sum()', **kwds)
[0.5286932559683919, 0.5260644309455529, 0.5260107989888638]

【参考方案3】：

获取一个布尔掩码并计算“真”：

(arr1 > 0.6).sum()

【讨论】：

这是一个如此紧凑和简单的解决方案，展示了 numpy 的真正力量。将 where 和 count 的两个阶段结合在一起真是太好了。感谢您的精彩回答！