使用带有索引的 np.where

Question

我有一个零数组 (17520,5)，我想用两个值填充：0 和 0.05。我有两个条件，我正在使用函数 np.where，但是，我只需要在数组的特定索引处应用第二个条件。我使用的代码如下：

independent = np.zeros([17520,5])
w1 = np.where(independent == 0)
independent[w1] = np.random.choice([0.0, 0.05], size=len(w1[0]))

这部分代码工作正常，并用所需的值填充零数组（独立）：0 和 0.05 具有相同的比例 (50/50)。另一方面，第二个条件只需要在特定索引处实现，如下所示：

for n in range(0, 365):
    start = 24 + n*48
    end = 46 + n*48
    w2 = np.where(independent == 0.05)
    independent[w2][start:end,0:5]=np.random.choice([0.0, 0.05], (22,5),size=len(w2[0]))

其中 [start:end,0:5] 表示我要实现条件 w2 的索引。

非常感谢您的帮助，指出使用带有索引的函数 np.where 的正确方法，因为目前我遇到以下错误

 SyntaxError: invalid syntax

Answer 1

请注意，np.where 也可以采用两个 array_like 参数，根据 条件 从中进行选择。以下是在您的情况下使用 np.where 的方法：

for n in range(0, 365):
    start = 24 + n*48
    end = 46 + n*48
    independent[start:end,0:5] = (np.where(independent== 0.05, 
                                          np.random.choice([0.0, 0.05], 
                                                    size=independent.shape), 
                                          independent)[start:end,0:5])

---

这有点棘手，但上面可以矢量化。关键是获取我们希望更新independent 的范围列表。为此，我们可以使用链接答案中的n_ranges，它可用于获取一个平面数组，其中包含对应的start 和end 的所有范围：

start = 24 + np.arange(0, 365)*48
end = 46 + np.arange(0, 365)*48
ranges = n_ranges(start, end)
independent[ranges,0:5] = (np.where(independent== 0.05, 
                                   np.random.choice([0.0, 0.05], 
                                                    size=independent.shape), 
                                   independent)[ranges,0:5])

---

检查时间，我们可以看到，使用第二种方法，我们获得了 260x 加速！

def vect_approach(a):
    start = 24 + np.arange(0, 365)*48
    end = 46 + np.arange(0, 365)*48
    ranges = n_ranges(start, end)
    a[ranges,0:5] = (np.where(a== 0.05, 
                             np.random.choice([0.0, 0.05], size=a.shape ),
                             a)[ranges,0:5])

def loopy_approach(x):
    for n in range(0, 365):
        start = 24 + n*48
        end = 46 + n*48
        independent[start:end,0:5] = (np.where(independent== 0.05, 
                                              np.random.choice([0.0, 0.05], 
                                                        size=independent.shape), 
                                              independent)[start:end,0:5])

---

independent = np.zeros([17520,5])

%timeit loopy_approach(independent)
# 475 ms ± 19.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit vect_approach(independent)
# 1.87 ms ± 95.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)