【发布时间】：2020-06-07 04:23:30
【问题描述】：
首先，如果这已在其他地方得到回答，我深表歉意。我能找到的只是关于替换给定值的元素的问题，而不是多个值的元素。
背景
我有几千个大型 np.array，如下所示：
# generate dummy data
input_array = np.zeros((100,100))
input_array[0:10,0:10] = 1
input_array[20:56, 21:43] = 5
input_array[34:43, 70:89] = 8
在这些数组中，我想根据字典替换值：
mapping = {1:2, 5:3, 8:6}
接近
这时候，我用的是一个简单的循环，结合花哨的索引：
output_array = np.zeros_like(input_array)
for key in mapping:
output_array[input_array==key] = mapping[key]
问题
我的数组到 2000 年的维度为 2000，字典有大约 1000 个条目，因此，这些循环需要永远。
问题
是否有一个函数，可以简单地接受一个数组和一个字典（或类似）形式的映射，并输出更改后的值？
非常感谢您的帮助！
更新：
解决方案：
我在 Ipython 中测试了各个解决方案，使用
%%timeit -r 10 -n 10
输入数据
import numpy as np
np.random.seed(123)
sources = range(100)
outs = [a for a in range(100)]
np.random.shuffle(outs)
mapping = {sources[a]:outs[a] for a in(range(len(sources)))}
对于每个解决方案：
np.random.seed(123)
input_array = np.random.randint(0,100, (1000,1000))
迪瓦卡，方法 3：
%%timeit -r 10 -n 10
k = np.array(list(mapping.keys()))
v = np.array(list(mapping.values()))
mapping_ar = np.zeros(k.max()+1,dtype=v.dtype) #k,v from approach #1
mapping_ar[k] = v
out = mapping_ar[input_array]
5.01 ms ± 641 µs per loop (mean ± std. dev. of 10 runs, 10 loops each)
迪瓦卡，方法二：
%%timeit -r 10 -n 10
k = np.array(list(mapping.keys()))
v = np.array(list(mapping.values()))
sidx = k.argsort() #k,v from approach #1
k = k[sidx]
v = v[sidx]
idx = np.searchsorted(k,input_array.ravel()).reshape(input_array.shape)
idx[idx==len(k)] = 0
mask = k[idx] == input_array
out = np.where(mask, v[idx], 0)
56.9 ms ± 609 µs per loop (mean ± std. dev. of 10 runs, 10 loops each)
迪瓦卡，方法一：
%%timeit -r 10 -n 10
k = np.array(list(mapping.keys()))
v = np.array(list(mapping.values()))
out = np.zeros_like(input_array)
for key,val in zip(k,v):
out[input_array==key] = val
113 ms ± 6.2 ms per loop (mean ± std. dev. of 10 runs, 10 loops each)
埃尔科：
%%timeit -r 10 -n 10
output_array = npi.remap(input_array.flatten(), list(mapping.keys()), list(mapping.values())).reshape(input_array.shape)
143 ms ± 4.47 ms per loop (mean ± std. dev. of 10 runs, 10 loops each)
亚图
%%timeit -r 10 -n 10
keys, choices = list(zip(*mapping.items()))
# [(1, 5, 8), (2, 3, 6)]
conds = np.array(keys)[:,None,None] == input_array
np.select(conds, choices)
157 ms ± 5 ms per loop (mean ± std. dev. of 10 runs, 10 loops each)
原始的、循环的方法：
%%timeit -r 10 -n 10
output_array = np.zeros_like(input_array)
for key in mapping:
output_array[input_array==key] = mapping[key]
187 ms ± 6.44 ms per loop (mean ± std. dev. of 10 runs, 10 loops each)
感谢您的超级快速帮助！
【问题讨论】：
标签： python performance numpy vectorization