Как я могу реализовать команду `` ismember() `` `` mlabs в Python?

Question

вот моя проблема:. Я хотел бы создать булеву матрицу B, которая содержит True всюду, что матрица А имеет значение, содержащееся в векторе V Один неудобное решение было бы:

import numpy as np 
>>> A = np.array([[0,1,2], [1,2,3], [2,3,4]]) 
array([[0, 1, 2], 
     [1, 2, 3], 
     [2, 3, 4]]) 
>>> v = [1,2] 
>>> B = (A==v[0]) + (A==v[1]) # matlab: ``B = ismember(A,v)`` 
array([[False, True, True], 
     [ True, True, False], 
     [ True, False, False]], dtype=bool) 

Есть ли возможен решением, было бы более удобно, если бы А и v имели больше значений?

Cheers!

Answer 1

Вот наивная один вкладыш: выход

[any (value in item for value in v) for item in A] 

Пример:

>>> A = ([0,1,2], [1,2,3], [2,3,4]) 
>>> v = [1,2] 
>>> [any (value in item for value in v) for item in A] 
[True, True, True] 
>>> v = [1] 
>>> [any (value in item for value in v) for item in A] 
[True, True, False] 

Это очень Pythonic подход, но я уверен, что это не очень хорошо масштабируется на большие массивы или векторы потому что оператор in Python представляет собой линейный поиск (по крайней мере, по спискам/кортежам).

Как указал Брукс Мозес в нижеследующем комментарии, выход должен быть матрицей 3x3. Вот почему вы даете образец вывода в своих вопросах. (Спасибо Брукс)

>>> v=[1,2] 
>>> [ [item in v for item in row] for row in A] 
[[False, True, True], [True, True, False], [True, False, False]] 
>>> v=[1] 
>>> [ [item in v for item in row] for row in A] 
[[False, True, False], [True, False, False], [False, False, False]] 

Answer 2

Я не знаю много NumPy, здесь это сырье питона один:

>>> A = [[0,1,2], [1,2,3], [2,3,4]] 
>>> v = [1,2] 
>>> B = [map(lambda val: val in v, a) for a in A] 
>>> 
>>> B 
[[False, True, True], [True, True, False], [True, False, False]] 

Редактировать: Как Brooks Моисей отмечает и некоторые простые сроки, кажется, чтобы показать, это один, вероятно, будет лучше:

>>> B = [ [val in v for val in a] for a in A] 

Answer 3

Использование Numpy примитивы:

>>> import numpy as np 
>>> A = np.array([[0,1,2], [1,2,3], [2,3,4]]) 
>>> v = [1,2] 
>>> print np.vectorize(lambda x: x in v)(A) 
[[False True True] 
[ True True False] 
[ True False False]] 

Для крошечных входов преобразуйте v в набор сначала для большого ускорения.

Чтобы использовать numpy.setmember1d:

Auniq, Ainv = np.unique1d(A, return_inverse=True) 
result = np.take(np.setmember1d(Auniq, np.unique1d(v)), Ainv).reshape(A.shape) 

Answer 4

Я думаю, что ближайший вы получаете numpy.ismember1d, но это не будет хорошо работать с вашим примером. Я думаю, ваше решение (B = (A==v[0]) + (A==v[1])) действительно может быть лучшим.

Answer 5

Увы, setmember1d, поскольку он существует в numpy, ломается, когда любой массив имеет дублированные элементы (как это делает A). Скачать this версию, назовем его, например, sem.py где-нибудь на sys.path, добавить к нему первую линию import numpy as nm, а потом это, наконец, работает:

>>> import sem 
>>> print sem.setmember1d(A.reshape(A.size), v).reshape(A.shape) 
[[False True True] 
[True True False] 
[True False False]] 

Примечание аналогичный ответ Разница WRT @Aants': эту версию имеет вторую строку полученного массива bool правильно, в то время как его версия (с использованием setmember1d, которая поставляется как часть numpy) неправильно имеет вторую строку, как и все True s.

Answer 6

Поскольку версия Numpy 1.4 имеет новую функцию, in1d(), это эквивалент ismember() в matlab: http://docs.scipy.org/doc/numpy-1.6.0/reference/generated/numpy.in1d.html. Но, как указывает арс, он возвращает только 1-й массив.