带有 numpy 的数组的高效阈值过滤器

Question

我需要过滤一个数组，去除低于某个阈值的元素。我现在的代码是这样的：

threshold = 5
a = numpy.array(range(10)) # testing data
b = numpy.array(filter(lambda x: x >= threshold, a))

问题是这会创建一个临时列表，使用带有 lambda 函数的过滤器（慢）。

因为这是一个非常简单的操作，也许有一个 numpy 函数可以有效地完成它，但我一直找不到它。

我认为另一种实现此目的的方法可能是对数组进行排序，找到阈值的索引并从该索引开始返回一个切片，但即使这对于小输入来说会更快（而且无论如何都不会引人注意） ，随着输入规模的增长，它的效率逐渐降低。

更新：我也测了一下，输入100.000.000条目时，排序+切片仍然是纯python过滤器的两倍。

r = numpy.random.uniform(0, 1, 100000000)

%timeit test1(r) # filter
# 1 loops, best of 3: 21.3 s per loop

%timeit test2(r) # sort and slice
# 1 loops, best of 3: 11.1 s per loop

%timeit test3(r) # boolean indexing
# 1 loops, best of 3: 1.26 s per loop

Answer 1

b = a[a>threshold]

这应该做

我测试如下：

import numpy as np, datetime
# array of zeros and ones interleaved
lrg = np.arange(2).reshape((2,-1)).repeat(1000000,-1).flatten()

t0 = datetime.datetime.now()
flt = lrg[lrg==0]
print datetime.datetime.now() - t0

t0 = datetime.datetime.now()
flt = np.array(filter(lambda x:x==0, lrg))
print datetime.datetime.now() - t0

我有

$ python test.py
0:00:00.028000
0:00:02.461000

http://docs.scipy.org/doc/numpy/user/basics.indexing.html#boolean-or-mask-index-arrays

Answer 2

您还可以使用

np.where

获取条件为 True 的索引并使用高级索引。

import numpy as np
b = a[np.where(a >= threshold)]

np.where

的一个有用功能是您可以使用它来替换值（例如，替换不满足阈值的值）。虽然

a[a <= 5] = 0

修改了

a

，但

np.where

返回一个具有相同形状的新数组，只是一些值（可能）发生了变化。

a = np.array([3, 7, 2, 6, 1])
b = np.where(a >= 5, a, 0)       # array([0, 7, 0, 6, 0])

---

在性能方面也很有竞争力

a, threshold = np.random.uniform(0,1,100000000), 0.5

%timeit a[a >= threshold]
# 1.22 s ± 92.2 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit a[np.where(a >= threshold)]
# 1.34 s ± 258 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)