Вычислить среднее значение по строке массива, используя строку маскирующего массива - PullRequest
Новая
       9

Вычислить среднее значение по строке массива, используя строку маскирующего массива

0 голосов
/ 18 декабря 2018

При преобразовании этой простой строки кода Octave в Python мне интересно, есть ли более быстрый / понятный способ:

Учитывая две матрицы, команда Octave усредняет строку матрицы Y с использованием логического значенияматрица R для обозначения интересующих значений: 

load (‘mydata.mat’)
row1_mean = mean( Y(1, R(1, :) ) )

Красиво, быстро и легко.Попытка сделать это в Python гораздо менее лаконична, но до сих пор я могу получить вот так: 

import numpy as np
from scipy import io as spio

myDict = spio.loadmat(‘mydata.mat’)
Y_mat = myDict['Y']
R_mat = myDict['R']

maskR = ~R_mat.astype(bool)[0][:]                      # row as boolean so we can invert it
maskR = maskR.astype(int)                              # turn it back to 1s & 0s

maskedY = np.ma.masked_array(Y_mat[0][:], mask=maskR)  # mask row of Y with R matrix

row1_mean = maskedY.mean()                             # get the mean

Я, вероятно, упускаю лучший подход.В частности, есть ли более простой способ инвертировать матрицу из 1 и 0?Может быть, есть и более прямой способ получить среднее значение среза массива (я знаю о axis), но с учетом маскирующего массива?

Ответы [ 2 ]

0 голосов
/ 18 декабря 2018

Если вы хотите использовать маскированные массивы, вот упрощенный способ сделать это: 

import numpy as np

# create some mock data
R_mat = np.arange(16).reshape(4, 4)
Y_mat = np.random.randint(0, 2, (4, 4))

R_mat
# array([[ 0,  1,  2,  3],
#        [ 4,  5,  6,  7],
#        [ 8,  9, 10, 11],
#        [12, 13, 14, 15]])
Y_mat
# array([[0, 1, 0, 1],
#        [0, 1, 1, 0],
#        [0, 1, 0, 1],
#        [0, 0, 1, 0]])

# compute all row means or all column means at once
# use Y_mat==0 to invert and convert to bool in one go
row_means = np.ma.MaskedArray(R_mat, Y_mat==0).mean(axis=1)
col_means = np.ma.MaskedArray(R_mat, Y_mat==0).mean(axis=0)

row_means
# masked_array(data=[2.0, 5.5, 10.0, 14.0],
#              mask=[False, False, False, False],
#        fill_value=1e+20)
col_means
# masked_array(data=[--, 5.0, 10.0, 7.0],
#              mask=[ True, False, False, False],
#        fill_value=1e+20)


# or take just one row or column and get the mean 
np.ma.MaskedArray(R_mat, Y_mat==0)[2].mean()
# 10.0
np.ma.MaskedArray(R_mat, Y_mat==0)[:, 0].mean()
# masked

Если по какой-то причине вы хотите избежать маскированных массивов: 

nrow, ncol = R_mat.shape

I, J = np.where(Y_mat)
row_means = np.bincount(I, R_mat[I, J], nrow) / np.bincount(I, None, nrow)

J, I = np.where(Y_mat.T)
col_means = np.bincount(J, R_mat[I, J], ncol) / np.bincount(J, None, ncol)
# __main__:1: RuntimeWarning: invalid value encountered in true_divide

row_means
# array([ 2. ,  5.5, 10. , 14. ])
col_means
# array([nan,  5., 10.,  7.])
0 голосов
/ 18 декабря 2018

Возьмите замаскированное среднее с Numpy

Если я понимаю, что вы пытаетесь сделать правильно, вот гораздо лучший способ: 

row1_mean = Y_mat[0][R_mat[0].astype(bool)].mean()

Это если вы просто хотите получить среднее значениеодин ряд.Вы можете рассчитать средние значения для каждой строки следующим образом: 

means = np.nanmean(np.where(mask, arr, np.nan), axis=1)
# if every value in a given row is masked, the mean will be calculated as nan. Change those to zeros
means[np.isnan(means)] = 0

Логическое индексирование в Numpy

В качестве примечания для дальнейшего использования вы можете индексировать массив Numpy с помощью логического массива (простокак октава, наверное?).Вот краткий пример: 

import numpy as np

arr = np.arange(10*5).reshape(10,5)
mask = np.random.randint(0, 2, (10, 5), dtype=bool)

print('original array\n%s\n' % arr)
print('boolean masked array\n%s\n' % arr[mask])

Вывод: 

original array
[[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]
 [20 21 22 23 24]
 [25 26 27 28 29]
 [30 31 32 33 34]
 [35 36 37 38 39]
 [40 41 42 43 44]
 [45 46 47 48 49]]

boolean masked array
[ 1  2  3  4  7  8 10 11 12 14 15 19 26 27 29 33 38 39 44 45 46]

Как видите, логическое индексирование сгладит двумерный массив (по причинам, объясненным Полом Панцером в комментариях).Вот почему я использовал np.where во втором ответе выше.

...