代码之家 › 专栏 › 技术社区 › horcle_buzz

如何在多个1-d numpy数组中的元素之间采用模式

element numpy python

horcle_buzz · 技术社区 · 4 年前

我能够按以下方式逐元素计算多个列表/数组的总和

sum([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]) = array([ 2,  4,  6,  8, 10])

mode([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]) = array([ 1, 2, 3, 4, 5] )

mode([np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]) = array([ 1, 2, 9, 4, 0]

最后,我希望能够跨任意数量的等长数组执行此操作。

注意:我尝试使用统计库模式,但出现以下错误:

>>> mode([np.array([1,2,3,4,5]), np.array([1,2,3,4,5])])
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/anaconda3/lib/python3.7/statistics.py", line 501, in mode
    table = _counts(data)
  File "/anaconda3/lib/python3.7/statistics.py", line 252, in _counts
    table = collections.Counter(iter(data)).most_common()
  File "/anaconda3/lib/python3.7/collections/__init__.py", line 566, in __init__
    self.update(*args, **kwds)
  File "/anaconda3/lib/python3.7/collections/__init__.py", line 653, in update
    _count_elements(self, iterable)
TypeError: unhashable type: 'numpy.ndarray'

因此,我正在寻找实现这一目标的方法。

1 回复 | 直到 4 年前

jkr 4 年前

您可以使用 scipy.stats.mode . 您还可以将多个numpy数组连接到单个数组中,然后将其馈送到模式。

import numpy as np
import scipy.stats

arrays = [np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]

result = scipy.stats.mode(np.concatenate(arrays))
# ModeResult(mode=array([0]), count=array([2]))

result.mode
# array([0])

的返回值 希皮。统计数据。模式 这是一对夫妇 ModeResult

arrays = [
    np.array([0, 2, 3, 4, 0]), 
    np.array([1, 2, 9, 4, 5]), 
    np.array([0, 9, 9, 4, 1])]
result = scipy.stats.mode(np.stack(arrays), axis=0)
result.mode
# array([[0, 2, 9, 4, 0]])

hpaulj 4 年前

举两个例子:

In [358]: alist = [np.array([1,2,3,4,5]), np.array([1,2,3,4,5])]                        
In [359]: alist1 = [np.array([0,2,3,4,0]), np.array([1,2,9,4,5])]

In [360]: import statistics                                                             
In [361]: from scipy import stats

具有 zip(*alist) 我们可以采取相应的“配对”模式:

In [362]: [statistics.mode(foo) for foo in zip(*alist)]                                 
Out[362]: [1, 2, 3, 4, 5]
In [363]: [statistics.mode(foo) for foo in zip(*alist1)]                                
....
StatisticsError: no unique mode; found 2 equally common values

mode docs警告此错误。

这个 scipy 版本将列表转换为2d数组;哪一个

In [365]: stats.mode(alist,axis=0)                                                      
Out[365]: ModeResult(mode=array([[1, 2, 3, 4, 5]]), count=array([[2, 2, 2, 2, 2]]))
In [366]: stats.mode(alist1,axis=0)                                                     
Out[366]: ModeResult(mode=array([[0, 2, 3, 4, 0]]), count=array([[1, 2, 1, 2, 1]]))
In [367]: np.array(alist1)                                                              
Out[367]: 
array([[0, 2, 3, 4, 0],
       [1, 2, 9, 4, 5]])

stats.mode 代码是Python,因此可以对其进行研究。对于这样的轴选择,它显然会在列上迭代,在每个列上采用1d模式。因此,速度将与列表理解情况相当。但是如何处理呢 StatsError 情况不同。

但我们可以使用一点实用功能来处理错误情况:

In [375]: def myfn(foo): 
     ...:     try: 
     ...:         return statistics.mode(foo) 
     ...:     except statistics.StatisticsError: 
     ...:         return None # or a random value 
     ...:                                                                               
In [376]: [myfn(foo) for foo in zip(*alist)]                                            
Out[376]: [1, 2, 3, 4, 5]
In [377]: [myfn(foo) for foo in zip(*alist1)]                                           
Out[377]: [None, 2, None, 4, None]

列表理解时间是有利的:

In [378]: timeit [myfn(foo) for foo in zip(*alist1)]                                    
73.6 Âµs Â± 278 ns per loop (mean Â± std. dev. of 7 runs, 10000 loops each)
In [379]: timeit stats.mode(alist1,axis=0)                                              
384 Âµs Â± 1.09 Âµs per loop (mean Â± std. dev. of 7 runs, 1000 loops each)