python 三角形阵列_Python中的高效阵列替换

我想知道在给定一些标准的情况下,用阵列中的其他随机元素替换数组中元素的最有效方法是什么.更具体地说,我需要用该行中的另一个随机值替换不符合给定条件的每个元素.例如,我想将每行数据替换为数据(行)中的随机单元格,该单元格介于-.8和.8之间.我的inefficinet解决方案看起来像这样：

import numpy as np

data = np.random.normal(0, 1, (10, 100))

for index, row in enumerate(data):

row_copy = np.copy(row)

outliers = np.logical_or(row>.8, row

for prob in np.where(outliers==1)[0]:

fixed = 0

while fixed == 0:

random_other_value = r.randint(0,99)

if random_other_value in np.where(outliers==1)[0]:

fixed = 0

else:

row_copy[prob] = row[random_other_value]

fixed = 1

显然,这并不高效.

解决方法:

我认为提取所有好的值会更快,然后使用random.choice()在需要时选择一个.像这样的东西：

import numpy as np

import random

from itertools import izip

data = np.random.normal(0, 1, (10, 100))

for row in data:

good_ones = np.logical_and(row >= -0.8, row <= 0.8)

good = row[good_ones]

row_copy = np.array([x if f else random.choice(good) for f, x in izip(good_ones, row)])

您编写的高级Python代码比Python的C内部慢.如果你可以将工作推进C内部,通常会更快.换句话说,尽量让Python为你做繁重的工作,而不是编写大量的代码.它是禅…编写更少的代码来获得更快的代码.

我添加了一个循环来运行你的代码1000次,并运行我的代码1000次,并测量他们执行的时间.根据我的测试,我的代码快了十倍.

此代码正在执行的操作的其他说明：

正在通过构建新列表来设置row_copy,然后在新列表上调用np.array()以将其转换为NumPy数组对象.新列表由列表理解构建.

新列表是根据规则制定的：如果数量良好,请保留;否则,从好的价值观中随机选择.

列表推导会遍历一系列值,但要应用此规则,我们需要两个值：数字和标记,表明该数字是否良好.使列表理解同时沿着两个序列行走的最简单和最快捷的方法是使用izip()将两个序列“压缩”在一起. izip()将产生元组,一次一个,元组是(f,x); f在这种情况下是标志说好或不,x是数字. (Python有一个名为zip()的内置功能,它几乎完全相同,但实际上构建了一个元组列表; izip()只是产生一个产生元组值的迭代器.但你可以使用zip()来实现一个Python提示,以了解它的工作原理.)

在Python中,我们可以将元组解压缩为变量名,如下所示：

a, b = (2, 3)

在这个例子中,我们将a设置为2,将b设置为3.在列表推导中,我们将元组从izip()解包为变量f和x.

然后列表理解的核心是“三元if”语句,如下所示：

a if flag else b

如果标志值为true,则上面将返回值a,否则返回b.这个列表理解中的一个是：

x if f else random.choice(good)

这实现了我们的规则.

标签：python,arrays,replace,numpy