Нахождение argmax () столбца на основе ограничений в других столбцах массива Numpy

Question

Мой вопрос довольно прост, и, вероятно, есть действительно простой способ решить эту проблему, который я не смог выяснить. Итак, во-первых, я объединяю несколько массивов, а затем хочу найти комбинацию первого и второго столбца (data_x1, data_x2), которая возвращает мне максимальное значение y. Однако есть одно ограничение: я хочу ограничить все x от -20 до 20, если оно больше 20 или меньше -20, я хочу игнорировать это значение.

Также я использую это обрабатывать внутри функции, поэтому я действительно ищу способ, который может работать для n-числа 'x'. Резюмируя: я хочу найти оптимальный y для ограниченных data_x1 и data_x2, что означает оптимальное значение в строке data_y, которое соответствует значению data_x1 и data_x2, которые ограничены вышеупомянутым условием (<20 and> - 20). Например, в этом наборе данных, который я предоставляю, строка с максимальным значением data_y выходит за рамки условий, которые я навязываю. Например, когда я пытаюсь:

y_max = data_y.max()   
ID = data_y.argmax()
x1_max = data_x1[ID]
x2_max = data_x2[ID]

у меня будет x2_2 сверх того предела, который я хочу наложить.

Вот набор данных:

data_x1 = np.array([ 7.50581267e-01,  4.85312598e+00, -1.37035821e+00, -1.27199171e-03,
       -1.61347902e+00, -2.47705419e+00,  1.54149227e-01,  2.96462913e+00,
        6.39336584e+00,  2.22526551e+00, -3.13825557e+00, -4.53521105e+00,
        3.66632759e+00,  6.95980810e-01, -2.08555389e+00, -3.42268057e+00,
       -2.67733126e+00,  3.44611056e+00, -3.21242281e-01, -4.45557410e+00,
        2.36357280e+00,  6.76143624e-01, -1.12756068e+00,  1.56898158e+00,
       -2.73721604e+00,  2.63754963e+00, -4.52874687e+00, -2.96449234e+00,
       -4.38481329e+00, -1.50384134e+00, -2.52651726e+00, -1.34210192e+00,
       -2.39860669e-01,  1.40859346e+00,  1.85432054e-01,  5.01414945e-01,
        4.55880766e+00, -1.05363585e+00, -4.62917198e+00,  2.59998127e+00,
        5.25344447e+00,  3.07701918e-01,  2.26443850e+00, -2.22101423e+00,
        3.02861897e-01,  1.65691179e+00,  8.81562566e-01, -1.87325712e+00,
        4.63772521e+00,  2.64284088e-01,  2.53643045e+00,  9.63172795e-01,
        2.36685850e+00,  2.54559573e+00, -9.02629613e-01,  2.24687227e+00,
        6.22720302e+00,  5.74281188e+00,  2.03796010e+00,  4.80760151e+00])


data_x2 = np.array([-30.09938636, -28.83362992, -22.57425202, -23.14358566,
       -33.59852454, -27.51674098, -30.7885103 , -25.90249062,
       -22.08337401, -29.07237476, -23.04023689, -30.30583811,
       -21.00309374, -29.99686696, -28.90991919, -26.62903318,
       -31.72168863, -22.87107873, -30.729956  , -25.6780506 ,
       -31.38729541, -27.19055645, -27.55148381, -28.68462801,
       -26.05224771, -30.87040206, -22.95430799, -26.91256322,
       -35.8942374 , -21.50322056, -26.16176442, -22.85920962,
       -28.05071496, -34.30775127, -28.7790589 , -31.19811517,
       -27.63535267, -28.96808588, -26.89286845, -32.81312953,
       -27.35855807, -28.89865079, -25.61937868, -32.59681293,
       -28.79511822, -22.54470727, -31.06309398, -25.30574423,
       -23.52838694, -27.55017459, -24.55437336, -24.39558638,
       -22.81063876, -28.62340189, -27.85680254, -25.10753673,
       -29.75683744, -27.37575317, -29.61561727, -34.50702866]

data_y = np.array([2511661.54014723, 2506471.03096404, 2496512.87703406,
       2500666.09145807, 2492786.42701569, 2513191.79101637,
       2509515.1829362 , 2509970.89367091, 2481463.90896938,
       2512505.17266542, 2496999.56860772, 2503950.65803291,
       2481665.31885133, 2511985.61283778, 2512968.70827174,
       2510599.791468  , 2502795.50006905, 2495342.7106848 ,
       2509708.93248061, 2505715.61726413, 2504986.68522465,
       2514933.54167635, 2514835.36052355, 2513916.01349115,
       2510784.07070835, 2506718.40944214, 2493199.57962053,
       2511925.51820147, 2466117.27254433, 2488828.88557003,
       2511417.16267116, 2498364.67720219, 2515221.17931068,
       2487471.40157182, 2514636.01655828, 2507757.43933369,
       2508292.40113149, 2514000.76143246, 2507722.80700035,
       2496671.63747914, 2505965.77313117, 2514453.85665244,
       2510375.19913626, 2498705.33749204, 2514595.64115671,
       2496054.0775116 , 2508144.96504256, 2509901.46588431,
       2496183.49020786, 2515239.10310988, 2506016.58240813,
       2507055.51518852, 2496891.65309883, 2512606.04865712,
       2515010.58385846, 2508707.73815183, 2499240.78218084,
       2504177.72406016, 2511686.21461949, 2477825.15797829])

Надеюсь, что Мне удалось быть кратким и точным, хотя длина объяснения. Буду очень признателен за вашу помощь в этом!

Answer 1

Ваш data_x2 не содержит значений в диапазоне от -20 до 20.

Если вы можете использовать для этого pandas, вы можете сделать это (например, для -30

import pandas as pd
df = pd.DataFrame({'x1': data_x1, 'x2': data_x2, 'y': data_y})
df = df[df['x1'].between(-30, 30, inclusive=False) & df['x2'].between(-30, 30, inclusive=False)]

df.sort_values(by='y', ascending=False).iloc[0]
Output: 
x1    2.642841e-01
x2   -2.755017e+01
y     2.515239e+06
Name: 49, dtype: float64

Вот функция для вычисления этого. (Снова используя pandas)

def func(x1, x2, y, lower_bound, upper_bound):
    df = pd.DataFrame({'x1': x1, 'x2': x2, 'y': y})
    df = df[df['x1'].between(lower_bound, upper_bound, inclusive=False) & df['x2'].between(lower_bound, upper_bound, inclusive=False)]
    df.sort_values(by='y', ascending=False, inplace=True)
    if len(df):
        return df['x1'].iloc[0], df['x2'].iloc[0]

func(data_x1, data_x2, data_y, -20, 20)
Output:
None

func(data_x1, data_x2, data_y, -30, 30)
Output:
(0.264284088, -27.55017459)

РЕДАКТИРОВАТЬ:

Использование pandas DataFrame хорошо, потому что он обрабатывает ваши данные как матрица, где вы можете нарезать на основе значений в нескольких столбцах. Решение numpy, приведенное ниже, работает, но требует замены значений, которые находятся за пределами вашего диапазона, на np.nan, чтобы ваши индексы оставались неизменными.

Вот чистое решение numpy с помощью Удаление nan в массиве в позиции из другого numpy массива

data_x1 = np.where(np.logical_and(data_x1 > -30, data_x1 < 30), data_x1, np.nan)
data_x2 = np.where(np.logical_and(data_x2 > -30, data_x2 < 30), data_x2, np.nan)
mask = ~np.isnan(data_x1) & ~np.isnan(data_x2)
data_y = np.where(mask, data_y, np.nan)
idx = np.nanargmax(data_y)

data_x1[idx], data_x2[idx]
Output:
(0.264284088, -27.55017459)

Хотя, я бы согласился с Евгением и использовал Pandas DataFrame, поскольку легче следовать IMO

Answer 2

Итак, во-первых, я объединяю несколько массивов,

Три вектора?

и затем я хочу найти комбинацию первого и второго столбца (data_x1, data_x2), которая возвращает мне максимальное значение y.

Всего одна строка?

Однако есть одно ограничение: я хочу ограничить все значения х от -20 до 20, если оно больше 20 или меньше -20, я хочу игнорировать это значение.

См. Вопрос выше.

Что мешает вам отфильтровать кадр данных по условию на x1 и x2 и впоследствии найти максимальную позицию y?

Я бы предложил обернуть векторы numpy в кадре данных, чтобы упростить вашу совместную работу.

Argmax на фрейме данных описывается здесь Найти строку, где значения для столбца максимальны в pandas Фрейме данных

Возможно, вам придется исключить неудовлетворительные x перед поиском y , Если нужно несколько y, сортируйте по y.