Я пишу некоторые процедуры моделирования в NumPy, которые должны выбирать ячейки случайным образом из массива NumPy и выполнять некоторую обработку на них. Все ячейки должны быть выбраны без замены (как в случае, когда ячейка выбрана, ее нельзя выбрать снова, но все ячейки должны быть выбраны до конца).
Я перехожу из IDL, где я могу найти хороший способ сделать это, но я полагаю, что NumPy имеет хороший способ сделать это тоже. Что бы вы предложили?
Обновление: Я должен был сказать, что я пытаюсь сделать это на 2D-массивах и, следовательно, вернуть набор 2D-индексов.
Как насчет использования numpy.random.shuffle или numpy.random.permutation, если вам все еще нужен исходный массив?
Если вам нужно изменить массив на месте, вы можете создать такой массив индексов:
your_array = <some numpy array>
index_array = numpy.arange(your_array.size)
numpy.random.shuffle(index_array)
print your_array[index_array[:10]]
Все эти ответы казались мне немного запутанными.
Я предполагаю, что у вас есть многомерный массив, из которого вы хотите создать исчерпывающий список индексов. Вы хотите, чтобы эти индексы перетасовывались, чтобы затем вы могли получить доступ к каждому из элементов массива в произвольном порядке.
Следующий код сделает это простым и прямым способом:
#!/usr/bin/python
import numpy as np
#Define a two-dimensional array
#Use any number of dimensions, and dimensions of any size
d=numpy.zeros(30).reshape((5,6))
#Get a list of indices for an array of this shape
indices=list(np.ndindex(d.shape))
#Shuffle the indices in-place
np.random.shuffle(indices)
#Access array elements using the indices to do cool stuff
for i in indices:
d[i]=5
print d
Печать d подтвердила, что все элементы были доступны.
Обратите внимание, что массив может иметь любое количество измерений и размеры могут иметь любой размер.
Единственным недостатком этого подхода является то, что если d велико, то indices может стать довольно значительным. Поэтому было бы неплохо иметь генератор . К сожалению, я не могу придумать, как создать перетасованный итератор в автономном режиме.
Расширение приятного ответа от @WoLpH
Для 2D-массива я думаю, что это будет зависеть от того, что вам нужно или нужно знать об индексах.
Вы можете сделать что-то вроде этого:
data = np.arange(25).reshape((5,5))
x, y = np.where( a = a)
idx = zip(x,y)
np.random.shuffle(idx)
ИЛИ
data = np.arange(25).reshape((5,5))
grid = np.indices(data.shape)
idx = zip( grid[0].ravel(), grid[1].ravel() )
np.random.shuffle(idx)
Затем вы можете использовать список idx для итерации по произвольно упорядоченным индексам 2D-массивов, как вы пожелаете, и получить значения из этого индекса из data, который остается неизменным.
Примечание. Вы также можете генерировать случайно упорядоченные индексы с помощью itertools.product, если вам удобнее использовать этот набор инструментов.
Используйте random.sample для генерации int в 0.. A.size без дубликатов,
затем разделите их на пары индексов:
import random
import numpy as np
def randint2_nodup( nsample, A ):
""" uniform int pairs, no dups:
r = randint2_nodup( nsample, A )
A[r]
for jk in zip(*r):
... A[jk]
"""
assert A.ndim == 2
sample = np.array( random.sample( xrange( A.size ), nsample )) # nodup ints
return sample // A.shape[1], sample % A.shape[1] # pairs
if __name__ == "__main__":
import sys
nsample = 8
ncol = 5
exec "\n".join( sys.argv[1:] ) # run this.py N= ...
A = np.arange( 0, 2*ncol ).reshape((2,ncol))
r = randint2_nodup( nsample, A )
print "r:", r
print "A[r]:", A[r]
for jk in zip(*r):
print jk, A[jk]
Скажем, у вас есть массив точек данных размером 8x3
data = np.arange(50,74).reshape(8,-1)
Если вы действительно хотите пробовать, как вы говорите, все индексы как пары 2d, самый компактный способ сделать это, о котором я могу думать, это:
#generate a permutation of data size, coerced to data shape
idxs = divmod(np.random.permutation(data.size),data.shape[1])
#iterate over it
for x,y in zip(*idxs):
#do something to data[x,y] here
pass
Мое, однако, часто не нужно обращаться к массивам 2d как к массиву 2d, просто чтобы перетасовать их, и в этом случае можно быть еще более компактным. просто сделайте 1d-представление на массив и сохраните себе некоторые отклонения от индекса.
flat_data = data.ravel()
flat_idxs = np.random.permutation(flat_data.size)
for i in flat_idxs:
#do something to flat_data[i] here
pass
Это по-прежнему будет переназначать массив 2d "оригинал", как вам хотелось бы. Чтобы увидеть это, попробуйте:
flat_data[12] = 1000000
print data[4,0]
#returns 1000000
люди, использующие numpy версии 1.7 или более поздней версии, могут также использовать встроенную функцию numpy.random.choice