Question

正如标题所说，我正在寻找一种转换数组的方法，因此它将是其适当元素的频率数组。

我找到textarea, input[type="number"]:not(.target) { background-color: #ffffff; border: 0 solid #CCCCCC; box-shadow: 0 1px 1px rgba(0, 0, 0, 0.035) inset; transition: border 0.2s linear 0s, box-shadow 0.2s linear 0s; } select, input[type="number"]:not(.target) { border-radius: 2px 2px 2px 2px; color: #555555; display: inline-block; height: 37px; font-size: 14px; line-height: 15px; margin-bottom: 0px; padding: 2px 6px; vertical-align: middle; }和np.count，但它不是我要找的

类似的东西：

自：

np.histogram

要：

array_ = np.array([0,0,0,1,0,0,2,0,0,1,2,0])

提前致谢！

Answer 1

如果数组中的值是非负整数且不是太大，则可以使用np.bincount。使用原始数组作为bincount结果的索引，可以得到所需的输出。

>>> array_ = np.array([0,0,0,1,0,0,2,0,0,1,2,0])
>>> np.bincount(array_)
array([8, 2, 2])
>>> np.bincount(array_)[array_]
array([8, 8, 8, 2, 8, 8, 2, 8, 8, 2, 2, 8])

请记住，np.bincount的结果大小为max(array_) + 1，因此如果您的数组值较大，则此方法效率低下：您最终会创建一个非常大的中间结果。

即使对于大输入或负输入也应该有效的替代方法是将np.unique与return_inverse和return_counts参数一起使用，如下所示：

>>> array_ = np.array([0,0,0,1,0,0,2,0,0,1,2,0])
>>> _, inv, counts = np.unique(array_, return_inverse=True, return_counts=True)
>>> counts[inv]
array([8, 8, 8, 2, 8, 8, 2, 8, 8, 2, 2, 8])

请注意，return_counts参数是NumPy 1.9.0中的新参数，因此您需要一个最新版本的NumPy。如果你没有NumPy 1.9.0，一切都不会丢失！您仍然可以使用return_inverse的{{1}}参数，它会返回一个与原始数组排列相同的小整数数组。这个新数组现在处于完美状态，np.unique可以有效地处理它：

bincount

另一个例子，内容较大>>> array_ = np.array([0,0,0,1,0,0,2,0,0,1,2,0]) >>> _, inverse = np.unique(array_, return_inverse=True) >>> np.bincount(inverse)[inverse] array([8, 8, 8, 2, 8, 8, 2, 8, 8, 2, 2, 8])：

array_

所有这些解决方案都适用于纯NumPy，因此它们应该比通过Python >>> array_ = np.array([0, 71, 598, 71, 0, 0, 243]) >>> _, inverse = np.unique(array_, return_inverse=True) >>> inverse array([0, 1, 3, 1, 0, 0, 2]) >>> np.bincount(inverse)[inverse] array([3, 2, 1, 2, 3, 3, 1])或Counter的解决方案更有效。但是，与往常一样，如果效率是一个问题，那么您应该剖析以找出最合适的效率。特别要注意dict正在进行排序，因此其理论复杂度高于纯np.unique解决方案。如果没有时间安排，这在实践中是否有所作为是不可能的。让我们来做一些时间，使用IPython的np.bincount（这是在Python 3.4上）。首先，我们将为我们需要的操作定义函数：

timeit

现在我们创建一个测试数组：

In [1]: import numpy as np; from collections import Counter

In [2]: def freq_bincount(array):
   ...:     return np.bincount(array)[array]
   ...: 

In [3]: def freq_unique(array):
   ...:     _, inverse, counts = np.unique(array, return_inverse=True, return_counts=True)
   ...:     return counts[inverse]
   ...: 

In [4]: def freq_counter(array):
   ...:     c = Counter(array)
   ...:     return np.array(list(map(c.get, array)))
   ...:

然后我们做一些时间安排。以下是我机器上的结果：

In [5]: test_array = np.random.randint(100, size=10**6)

In [6]: %timeit freq_bincount(test_array) 100 loops, best of 3: 2.69 ms per loop In [7]: %timeit freq_unique(test_array) 10 loops, best of 3: 166 ms per loop In [8]: %timeit freq_counter(test_array) 1 loops, best of 3: 317 ms per loop方法与np.bincount方法之间存在数量级差异。来自@ Kasramvd解决方案的np.unique方法比Counter方法稍慢，但可能会在不同的计算机上或使用不同版本的Python和NumPy进行更改：您应该使用适合您的数据进行测试用例。

Answer 2

作为一种快速方法，您可以使用colections.Counter这是获得可迭代项目频率的更加pythonic方式：

>>> import numpy as np
>>> array_ = np.array([0,0,0,1,0,0,2,0,0,1,2,0])
>>> from collections import Counter
>>> c=Counter(array_)
>>> np.array(map(c.get,array_))
array([8, 8, 8, 2, 8, 8, 2, 8, 8, 2, 2, 8])

将数组元素转换为频率的最快方法

2 个答案: