Pythonic и эффективный способ сделать элемент "in" с помощью numpy

Я ищу способ эффективного получения массива булевых элементов, где заданы два массива с равным размером a и b, каждый элемент имеет значение true, если соответствующий элемент a появляется in соответствующий элемент b.

Например, следующая программа:

a = numpy.array([1, 2, 3, 4])
b = numpy.array([[1, 2, 13], [2, 8, 9], [5, 6], [7]])
print(numpy.magic_function(a, b))

Должен печатать

[True, True, False, False]

Помните, что эта функция должна быть эквивалентна

[x in y for x, y in zip(a, b)]

Только numpy -оптимизирован для случаев, когда a и b являются большими, и каждый элемент из b достаточно мал.

Ответ 1

Чтобы воспользоваться принципами NumPy broadcasting, сначала нужно создать квадрат квадрата b, который может быть достигнут с помощью itertools.izip_longest:

from itertools import izip_longest

c = np.array(list(izip_longest(*b))).astype(float)

в результате:

array([[  1.,   2.,   5.,   7.],
       [  2.,   8.,   6.,  nan],
       [ 13.,   9.,  nan,  nan]])

Затем, выполнив np.isclose(c, a), вы получите 2D-массив логических переменных, показывающий разницу между каждыми c[:, i] и a[i] в соответствии с правилами вещания, предоставляя:

array([[ True,  True, False, False],
       [False, False, False, False],
       [False, False, False, False]], dtype=bool)

Что можно использовать для получения ответа:

np.any(np.isclose(c, a), axis=0)
#array([ True,  True, False, False], dtype=bool)

Ответ 2

Существует ли верхний предел длины небольших списков в b? Если да, возможно, вы могли бы сделать b матрицу, скажем 1000x5, и использовать nan, чтобы заполнить пробелы для слишком малых субмассивов. Затем вы можете использовать numpy.any, чтобы получить ответ, который вы хотите:

In [42]: a = np.array([1, 2, 3, 4])
    ...: b = np.array([[1, 2, 13], [2, 8, 9], [5, 6], [7]])

In [43]: bb = np.full((len(b), max(len(i) for i in b)), np.nan)

In [44]: for irow, row in enumerate(b):
    ...:     bb[irow, :len(row)] = row

In [45]: bb
Out[45]: 
array([[  1.,   2.,  13.],
       [  2.,   8.,   9.],
       [  5.,   6.,  nan],
       [  7.,  nan,  nan]])

In [46]: a[:,np.newaxis] == bb
Out[46]: 
array([[ True, False, False],
       [ True, False, False],
       [False, False, False],
       [False, False, False]], dtype=bool)

In [47]: np.any(a[:,np.newaxis] == bb, axis=1)
Out[47]: array([ True,  True, False, False], dtype=bool)

Не знаю, быстрее ли это для ваших данных.

Ответ 3

Резюме

Подход Саулдо Кастро наиболее быстро проходит среди тех, кто был опубликован до сих пор. Выражение генератора в исходном столбце является вторым самым быстрым.

Код для генерации тестовых данных:

import numpy
import random

alength = 100
a = numpy.array([random.randint(1, 6) for i in range(alength)])
b = []
for i in range(alength):
    length = random.randint(1, 5)
    element = []
    for i in range(length):
        element.append(random.randint(1, 6))
    b.append(element)
b = numpy.array(b)
print a, b

Параметры:

from itertools import izip_longest
def magic_function1(a, b): # From OP Martin Fixman
    return [x in y for x, y in zip(a, b)]  

def magic_function2(a, b): # What I thought might be better.
    bools = []
    for x, y in zip(a,b):
        found = False
        for j in y:
            if x == j:
                found=True
                break
        bools.append(found)

def magic_function3(a, b): # What I tried first
    bools = []
    for i in range(len(a)):
        found = False
        for j in range(len(b[i])):
            if a[i] == b[i][j]:
                found=True
                break
        bools.append(found)

def magic_function4(a, b): # From Bas Swinkels
    bb = numpy.full((len(b), max(len(i) for i in b)), numpy.nan)
    for irow, row in enumerate(b):
        bb[irow, :len(row)] = row
    a[:,numpy.newaxis] == bb
    return numpy.any(a[:,numpy.newaxis] == bb, axis=1)

def magic_function5(a, b): # From Sauldo Castro, revised version
    c = numpy.array(list(izip_longest(*b))).astype(float)
    return numpy.isclose(c, a), axis=0)

Время n_executions

n_executions = 100
clock = timeit.Timer(stmt="magic_function1(a, b)", setup="from __main__ import magic_function1, a, b")
print clock.timeit(n_executions), "seconds"
# Repeat with each candidate function

Результаты:

0.158078225475 секунд для magic_function1
0.181080926835 секунд для magic_function2
0.259621047822 секунд для magic_function3
0.287054750224 секунд для magic_function4
0.0839162196207 секунд для magic_function5