将数组中的低值归零的最快方法？

Posted 2023-03-17

【中文标题】将数组中的低值归零的最快方法？

【英文标题】：Fastest way to zero out low values in array?

【发布时间】：2010-12-10 01:53:58

【问题描述】：

所以，假设我有 100,000 个浮点数组，每个数组包含 100 个元素。我需要最大的 X 个值，但前提是它们大于 Y。任何不匹配的元素都应该设置为 0。在 Python 中最快的方法是什么？必须维持秩序。大多数元素已经设置为 0。

样本变量：

array = [.06, .25, 0, .15, .5, 0, 0, 0.04, 0, 0]
highCountX = 3
lowValY = .1

预期结果：

array = [0, .25, 0, .15, .5, 0, 0, 0, 0, 0]

【问题讨论】：

highCountX 是我希望在数组中存在的最大非零元素数

如果是 2，预期结果将是：[0, 0, 0, .15, .5, 0, 0, 0, 0, 0] - highCountX 限制非零的数量结果中的元素。

如果值的个数超过highCountX，你如何选择保留哪一个扔掉

你保留最高值...如果有重复值，使用哪一个都没关系

@David：您应该考虑验证其中一个回复，以便告诉读者它确实解决了您的问题！

【参考方案1】：

这是NumPy 的典型工作，对于这类操作来说非常快：

array_np = numpy.asarray(array)
low_values_flags = array_np < lowValY  # Where values are low
array_np[low_values_flags] = 0  # All low values set to 0

现在，如果您只需要 highCountX 最大的元素，您甚至可以“忘记”小元素（而不是将它们设置为 0 并对其进行排序）而只对大元素列表进行排序：

array_np = numpy.asarray(array)
print numpy.sort(array_np[array_np >= lowValY])[-highCountX:]

当然，如果您只需要几个元素，则对整个数组进行排序可能不是最佳选择。根据您的需要，您可能需要考虑标准的heapq 模块。

【讨论】：

很好...使用适当的库可以带你走得很远:-)

我一直遇到这个 numPy，我想我得检查一下 :) 感谢（大家）的帮助。

@David NumPy 确实满足了需求。我建议您从我链接到的教程开始：这可能是加快 NumPy 速度并学习其最重要概念的最快方式。

哪个更快：array_np[low_values_indices] = 0 或 array_np *= low_values_indices？

假设您将 numpy 导入为 np ... 那么您也可以只使用 index = np.where(array

【参考方案2】：

from scipy.stats import threshold
thresholded = threshold(array, 0.5)

:)

【讨论】：

从 scipy 0.17.1 开始不推荐使用，请参阅 docs.scipy.org/doc/scipy-0.17.1/reference/generated/…

【参考方案3】：

NumPy 中有一个特殊的 MaskedArray 类可以做到这一点。您可以根据任何前提条件“屏蔽”元素。这比分配零更能代表您的需求：numpy 操作将在适当时忽略掩码值（例如，查找平均值）。

>>> from numpy import ma
>>> x = ma.array([.06, .25, 0, .15, .5, 0, 0, 0.04, 0, 0])
>>> x1 = ma.masked_inside(0, 0.1) # mask everything in 0..0.1 range
>>> x1
masked_array(data = [-- 0.25 -- 0.15 0.5 -- -- -- -- --],
         mask = [ True False True False False True True True True True],
   fill_value = 1e+20)
>>> print x.filled(0) # Fill with zeroes
[ 0 0.25 0 0.15 0.5 0 0 0 0 0 ]

另外一个好处是，如果您需要，matplotlib 可视化库很好地支持掩码数组。

Docs on masked arrays in numpy

【参考方案4】：

使用numpy：

# assign zero to all elements less than or equal to `lowValY`
a[a<=lowValY] = 0 
# find n-th largest element in the array (where n=highCountX)
x = partial_sort(a, highCountX, reverse=True)[:highCountX][-1]
# 
a[a<x] = 0 #NOTE: it might leave more than highCountX non-zero elements
           # . if there are duplicates

partial_sort 可能在哪里：

def partial_sort(a, n, reverse=False):
    #NOTE: in general it should return full list but in your case this will do
    return sorted(a, reverse=reverse)[:n] 

表达式a[a<value] = 0可以不用numpy写成如下：

for i, x in enumerate(a):
    if x < value:
       a[i] = 0

【参考方案5】：

最简单的方法是：

topX = sorted([x for x in array if x > lowValY], reverse=True)[highCountX-1]
print [x if x >= topX else 0 for x in array]

这会选择所有大于lowValY的元素：

[x for x in array if x > lowValY]

这个数组只包含大于阈值的元素个数。然后，对其进行排序，使最大值位于开头：

sorted(..., reverse=True)

然后列表索引取顶部highCountX元素的阈值：

sorted(...)[highCountX-1]

最后，使用另一个列表推导式填充原始数组：

[x if x >= topX else 0 for x in array]

有一个边界条件，其中有两个或多个相等的元素（在您的示例中）是第三高的元素。结果数组将多次包含该元素。

还有其他边界条件，例如 iflen(array) < highCountX。处理这些条件留给实现者。

【讨论】：

您可以使用 x for x in array if x > lowValY 而不是 [x for x in array if x > lowValY] 来枚举原始数组而不复制它（如果原始数据很大，这个可能是件好事）。

确实如此。不过，sorted() 可能还是需要整个列表。

嘿，比我的菜鸟代码快 3 倍，但我需要相等的元素来保持 highCountX 限制。数组应该有 20-200 个元素......它们实际上是我在块中处理的更大数组的片段。感谢您迄今为止的帮助。

我看不到你如何zeroing 原始数组中的元素。

如果highCountX > len([x for x in array if x > lowValY]) 那么你会得到IndexError。

【参考方案6】：

将低于某个阈值的元素设置为零很容易：

array = [ x if x > threshold else 0.0 for x in array ]

（如果需要，偶尔加上 abs()。）

然而，N 个最大数的要求有点模糊。如果有例如怎么办？超过阈值的 N+1 个相等数？截断哪一个？

您可以先对数组进行排序，然后将阈值设置为第 N 个元素的值：

threshold = sorted(array, reverse=True)[N]
array = [ x if x >= threshold else 0.0 for x in array ]

注意：此解决方案针对可读性而非性能进行了优化。

【讨论】：

这种情况下，截断哪一个都无所谓……更重要的是后面跟highCountX

【参考方案7】：

你可以使用map和lambda，它应该足够快。

new_array = map(lambda x: x if x>y else 0, array)

【参考方案8】：

使用heap。

这可以及时O(n*lg(HighCountX))。

import heapq

heap = []
array =  [.06, .25, 0, .15, .5, 0, 0, 0.04, 0, 0]
highCountX = 3
lowValY = .1

for i in range(1,highCountX):
    heappush(heap, lowValY)
    heappop(heap)

for i in range( 0, len(array) - 1)
    if array[i] > heap[0]:
        heappush(heap, array[i])

min = heap[0]

array = [x if x >= min else 0 for x in array]

deletemin 在堆 O(lg(k)) 和插入 O(lg(k)) 或 O(1) 中工作，具体取决于您使用的堆类型。

【参考方案9】：

正如 egon 所说，使用堆是个好主意。但是您可以使用heapq.nlargest 函数来减少一些工作量：

import heapq 

array =  [.06, .25, 0, .15, .5, 0, 0, 0.04, 0, 0]
highCountX = 3
lowValY = .1

threshold = max(heapq.nlargest(highCountX, array)[-1], lowValY)
array = [x if x >= threshold else 0 for x in array]

【讨论】：

我喜欢这种只使用标准模块的自制解决方案。但是，应该升级它，以便真正返回最大的 highCountX 元素（如果数组中有很多元素的值 threshold，则最终数组中的非零元素太多）。