Temukan baris unik di numpy.array

Saya perlu mencari baris unik di a numpy.array.

Sebagai contoh:

>>> a # I have
array([[1, 1, 1, 0, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0, 0],
       [1, 1, 1, 1, 1, 0]])
>>> new_a # I want to get to
array([[1, 1, 1, 0, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [1, 1, 1, 1, 1, 0]])

Saya tahu bahwa saya dapat membuat satu set dan loop di atas array, tetapi saya mencari numpysolusi murni yang efisien . Saya percaya bahwa ada cara untuk mengatur tipe data menjadi batal dan kemudian saya hanya bisa menggunakan numpy.unique, tapi saya tidak tahu bagaimana cara membuatnya bekerja.

Pada NumPy 1.13, seseorang dapat dengan mudah memilih sumbu untuk pemilihan nilai unik dalam sembarang N-dim array. Untuk mendapatkan baris unik, Anda dapat melakukan:

unique_rows = np.unique(original_array, axis=0)

Namun solusi lain yang mungkin

np.vstack({tuple(row) for row in a})

Opsi lain untuk penggunaan array terstruktur adalah menggunakan tampilan voidtipe yang menggabungkan seluruh baris menjadi satu item:

a = np.array([[1, 1, 1, 0, 0, 0],
              [0, 1, 1, 1, 0, 0],
              [0, 1, 1, 1, 0, 0],
              [1, 1, 1, 0, 0, 0],
              [1, 1, 1, 1, 1, 0]])

b = np.ascontiguousarray(a).view(np.dtype((np.void, a.dtype.itemsize * a.shape[1])))
_, idx = np.unique(b, return_index=True)

unique_a = a[idx]

>>> unique_a
array([[0, 1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0, 0],
       [1, 1, 1, 1, 1, 0]])

EDIT Ditambahkan np.ascontiguousarrayberikut rekomendasi @ seberg. Ini akan memperlambat metode jika array belum berdekatan.

EDIT Di atas dapat sedikit dipercepat, mungkin dengan mengorbankan kejelasan, dengan melakukan:

unique_a = np.unique(b).view(a.dtype).reshape(-1, a.shape[1])

Juga, setidaknya pada sistem saya, kinerja bijaksana itu setara, atau bahkan lebih baik, daripada metode lexsort:

a = np.random.randint(2, size=(10000, 6))

%timeit np.unique(a.view(np.dtype((np.void, a.dtype.itemsize*a.shape[1])))).view(a.dtype).reshape(-1, a.shape[1])
100 loops, best of 3: 3.17 ms per loop

%timeit ind = np.lexsort(a.T); a[np.concatenate(([True],np.any(a[ind[1:]]!=a[ind[:-1]],axis=1)))]
100 loops, best of 3: 5.93 ms per loop

a = np.random.randint(2, size=(10000, 100))

%timeit np.unique(a.view(np.dtype((np.void, a.dtype.itemsize*a.shape[1])))).view(a.dtype).reshape(-1, a.shape[1])
10 loops, best of 3: 29.9 ms per loop

%timeit ind = np.lexsort(a.T); a[np.concatenate(([True],np.any(a[ind[1:]]!=a[ind[:-1]],axis=1)))]
10 loops, best of 3: 116 ms per loop

Jika Anda ingin menghindari biaya memori dari konversi ke serangkaian tupel atau struktur data serupa lainnya, Anda dapat mengeksploitasi susunan terstruktur numpy.

Caranya adalah dengan melihat array asli Anda sebagai array terstruktur di mana setiap item sesuai dengan deretan array asli. Ini tidak membuat salinan, dan cukup efisien.

Sebagai contoh cepat:

import numpy as np

data = np.array([[1, 1, 1, 0, 0, 0],
                 [0, 1, 1, 1, 0, 0],
                 [0, 1, 1, 1, 0, 0],
                 [1, 1, 1, 0, 0, 0],
                 [1, 1, 1, 1, 1, 0]])

ncols = data.shape[1]
dtype = data.dtype.descr * ncols
struct = data.view(dtype)

uniq = np.unique(struct)
uniq = uniq.view(data.dtype).reshape(-1, ncols)
print uniq

Untuk memahami apa yang terjadi, lihat hasil perantara.

Setelah kami melihat sesuatu sebagai array terstruktur, setiap elemen dalam array adalah baris di array asli Anda. (Pada dasarnya, ini adalah struktur data yang mirip dengan daftar tupel.)

In [71]: struct
Out[71]:
array([[(1, 1, 1, 0, 0, 0)],
       [(0, 1, 1, 1, 0, 0)],
       [(0, 1, 1, 1, 0, 0)],
       [(1, 1, 1, 0, 0, 0)],
       [(1, 1, 1, 1, 1, 0)]],
      dtype=[('f0', '<i8'), ('f1', '<i8'), ('f2', '<i8'), ('f3', '<i8'), ('f4', '<i8'), ('f5', '<i8')])

In [72]: struct[0]
Out[72]:
array([(1, 1, 1, 0, 0, 0)],
      dtype=[('f0', '<i8'), ('f1', '<i8'), ('f2', '<i8'), ('f3', '<i8'), ('f4', '<i8'), ('f5', '<i8')])

Setelah kami jalankan numpy.unique, kami akan mendapatkan array terstruktur kembali:

In [73]: np.unique(struct)
Out[73]:
array([(0, 1, 1, 1, 0, 0), (1, 1, 1, 0, 0, 0), (1, 1, 1, 1, 1, 0)],
      dtype=[('f0', '<i8'), ('f1', '<i8'), ('f2', '<i8'), ('f3', '<i8'), ('f4', '<i8'), ('f5', '<i8')])

Yang kemudian perlu kita lihat sebagai array "normal" ( _menyimpan hasil perhitungan terakhir ipython, itulah mengapa Anda melihatnya _.view...):

In [74]: _.view(data.dtype)
Out[74]: array([0, 1, 1, 1, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0])

Dan kemudian membentuk kembali menjadi array 2D ( -1adalah placeholder yang memberitahu numpy untuk menghitung jumlah baris yang benar, berikan jumlah kolom):

In [75]: _.reshape(-1, ncols)
Out[75]:
array([[0, 1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0, 0],
       [1, 1, 1, 1, 1, 0]])

Jelas, jika Anda ingin lebih ringkas, Anda bisa menuliskannya sebagai:

import numpy as np

def unique_rows(data):
    uniq = np.unique(data.view(data.dtype.descr * data.shape[1]))
    return uniq.view(data.dtype).reshape(-1, data.shape[1])

data = np.array([[1, 1, 1, 0, 0, 0],
                 [0, 1, 1, 1, 0, 0],
                 [0, 1, 1, 1, 0, 0],
                 [1, 1, 1, 0, 0, 0],
                 [1, 1, 1, 1, 1, 0]])
print unique_rows(data)

Yang mengakibatkan:

[[0 1 1 1 0 0]
 [1 1 1 0 0 0]
 [1 1 1 1 1 0]]

np.uniqueketika saya menjalankannya np.random.random(100).reshape(10,10)mengembalikan semua elemen individu yang unik, tetapi Anda menginginkan baris yang unik, jadi pertama-tama Anda harus memasukkannya ke dalam tupel:

array = #your numpy array of lists
new_array = [tuple(row) for row in array]
uniques = np.unique(new_array)

Itulah satu-satunya cara saya melihat Anda mengubah jenis untuk melakukan apa yang Anda inginkan, dan saya tidak yakin apakah daftar iterasi yang akan diubah menjadi tuple tidak apa-apa dengan "tidak mengulangi" Anda.

np.unique bekerja dengan mengurutkan array yang diratakan, kemudian melihat apakah setiap item sama dengan sebelumnya. Ini dapat dilakukan secara manual tanpa perataan:

ind = np.lexsort(a.T)
a[ind[np.concatenate(([True],np.any(a[ind[1:]]!=a[ind[:-1]],axis=1)))]]

Metode ini tidak menggunakan tupel, dan harus jauh lebih cepat dan lebih sederhana daripada metode lain yang diberikan di sini.

CATATAN: Versi sebelumnya ini tidak memiliki ind tepat setelah [, yang berarti bahwa indeks yang salah digunakan. Juga, Joe Kington menunjukkan bahwa ini memang membuat berbagai salinan perantara. Metode berikut ini membuat lebih sedikit, dengan membuat salinan yang diurutkan dan kemudian menggunakan tampilan itu:

b = a[np.lexsort(a.T)]
b[np.concatenate(([True], np.any(b[1:] != b[:-1],axis=1)))]

Ini lebih cepat dan menggunakan lebih sedikit memori.

Juga, jika Anda ingin menemukan baris unik di ndarray terlepas dari berapa banyak dimensi dalam array, berikut ini akan berfungsi:

b = a[lexsort(a.reshape((a.shape[0],-1)).T)];
b[np.concatenate(([True], np.any(b[1:]!=b[:-1],axis=tuple(range(1,a.ndim)))))]

Masalah yang tersisa yang menarik adalah jika Anda ingin mengurutkan / unik di sepanjang sumbu arbitrer dari array dimensi arbitrer, sesuatu yang akan lebih sulit.

Edit:

Untuk menunjukkan perbedaan kecepatan, saya menjalankan beberapa tes di ipython dari tiga metode berbeda yang dijelaskan dalam jawaban. Dengan a persis Anda , tidak ada banyak perbedaan, meskipun versi ini sedikit lebih cepat:

In [87]: %timeit unique(a.view(dtype)).view('<i8')
10000 loops, best of 3: 48.4 us per loop

In [88]: %timeit ind = np.lexsort(a.T); a[np.concatenate(([True], np.any(a[ind[1:]]!= a[ind[:-1]], axis=1)))]
10000 loops, best of 3: 37.6 us per loop

In [89]: %timeit b = [tuple(row) for row in a]; np.unique(b)
10000 loops, best of 3: 41.6 us per loop

Namun, dengan versi yang lebih besar, versi ini menjadi jauh lebih cepat:

In [96]: a = np.random.randint(0,2,size=(10000,6))

In [97]: %timeit unique(a.view(dtype)).view('<i8')
10 loops, best of 3: 24.4 ms per loop

In [98]: %timeit b = [tuple(row) for row in a]; np.unique(b)
10 loops, best of 3: 28.2 ms per loop

In [99]: %timeit ind = np.lexsort(a.T); a[np.concatenate(([True],np.any(a[ind[1:]]!= a[ind[:-1]],axis=1)))]
100 loops, best of 3: 3.25 ms per loop

Berikut adalah variasi lain untuk jawaban pygtonic @Greg

np.vstack(set(map(tuple, a)))

Saya telah membandingkan alternatif kecepatan yang disarankan dan menemukan bahwa, secara mengejutkan, uniquesolusi void view bahkan sedikit lebih cepat daripada numpy yang asli uniquedengan axisargumen tersebut. Jika Anda mencari kecepatan, Anda pasti mau

numpy.unique(
    a.view(numpy.dtype((numpy.void, a.dtype.itemsize*a.shape[1])))
    ).view(a.dtype).reshape(-1, a.shape[1])

Kode untuk mereproduksi plot:

import numpy
import perfplot


def unique_void_view(a):
    return numpy.unique(
        a.view(numpy.dtype((numpy.void, a.dtype.itemsize*a.shape[1])))
        ).view(a.dtype).reshape(-1, a.shape[1])


def lexsort(a):
    ind = numpy.lexsort(a.T)
    return a[ind[
        numpy.concatenate((
            [True], numpy.any(a[ind[1:]] != a[ind[:-1]], axis=1)
            ))
        ]]


def vstack(a):
    return numpy.vstack({tuple(row) for row in a})


def unique_axis(a):
    return numpy.unique(a, axis=0)


perfplot.show(
    setup=lambda n: numpy.random.randint(2, size=(n, 20)),
    kernels=[unique_void_view, lexsort, vstack, unique_axis],
    n_range=[2**k for k in range(15)],
    logx=True,
    logy=True,
    xlabel='len(a)',
    equality_check=None
    )

Saya tidak menyukai jawaban ini karena tidak ada yang menangani array titik mengambang dalam aljabar linear atau ruang vektor, di mana dua baris “sama” berarti “dalam beberapa 𝜀”. Satu jawaban yang memiliki ambang toleransi, https://stackoverflow.com/a/26867764/500207 , menganggap ambang tersebut sebagai elemen-bijaksana dan desimal presisi , yang berfungsi untuk beberapa kasus tetapi tidak secara matematis umum seperti jarak vektor benar.

Ini versi saya:

from scipy.spatial.distance import squareform, pdist

def uniqueRows(arr, thresh=0.0, metric='euclidean'):
    "Returns subset of rows that are unique, in terms of Euclidean distance"
    distances = squareform(pdist(arr, metric=metric))
    idxset = {tuple(np.nonzero(v)[0]) for v in distances <= thresh}
    return arr[[x[0] for x in idxset]]

# With this, unique columns are super-easy:
def uniqueColumns(arr, *args, **kwargs):
    return uniqueRows(arr.T, *args, **kwargs)

Fungsi domain publik di atas digunakan scipy.spatial.distance.pdistuntuk menemukan jarak Euclidean (dapat disesuaikan) antara setiap pasangan baris. Kemudian membandingkan setiap jarak ke yang threshlama untuk menemukan baris yang berada dalam threshsatu sama lain, dan mengembalikan hanya satu baris dari masing-masingthresh -cluster.

Seperti yang ditunjukkan, jarak metrictidak harus Euclidean - pdistdapat menghitung jarak yang beragam termasuk cityblock(norma-Manhattan) dancosine (sudut antara vektor).

Jika thresh=0(default), maka baris harus agak tepat untuk dianggap "unik". Nilai bagus lainnya untuk threshpenggunaan presisi mesin skala, yaitu thresh=np.spacing(1)*1e3,.

Mengapa tidak menggunakan drop_duplicatespanda:

>>> timeit pd.DataFrame(image.reshape(-1,3)).drop_duplicates().values
1 loops, best of 3: 3.08 s per loop

>>> timeit np.vstack({tuple(r) for r in image.reshape(-1,3)})
1 loops, best of 3: 51 s per loop

The numpy_indexed paket (disclaimer: Saya penulisnya) membungkus solusi diposting oleh Jaime di nice dan diuji antarmuka, ditambah lagi banyak fitur:

import numpy_indexed as npi
new_a = npi.unique(a)  # unique elements over axis=0 (rows) by default

np.unique works diberi daftar tuple:

>>> np.unique([(1, 1), (2, 2), (3, 3), (4, 4), (2, 2)])
Out[9]: 
array([[1, 1],
       [2, 2],
       [3, 3],
       [4, 4]])

Dengan daftar daftar yang dimunculkannya a TypeError: unhashable type: 'list'

Berdasarkan jawaban di halaman ini saya telah menulis sebuah fungsi yang mereplikasi kemampuan unique(input,'rows')fungsi MATLAB , dengan fitur tambahan untuk menerima toleransi untuk memeriksa keunikan. Ini juga mengembalikan indeks sedemikian rupa sehingga c = data[ia,:]dan data = c[ic,:]. Silakan laporkan jika Anda melihat perbedaan atau kesalahan.

def unique_rows(data, prec=5):
    import numpy as np
    d_r = np.fix(data * 10 ** prec) / 10 ** prec + 0.0
    b = np.ascontiguousarray(d_r).view(np.dtype((np.void, d_r.dtype.itemsize * d_r.shape[1])))
    _, ia = np.unique(b, return_index=True)
    _, ic = np.unique(b, return_inverse=True)
    return np.unique(b).view(d_r.dtype).reshape(-1, d_r.shape[1]), ia, ic

Di luar @Jaime jawaban yang sangat baik, cara lain untuk menutup baris adalah dengan menggunakan a.strides[0](dengan asumsi aC-berdekatan) yang sama dengan a.dtype.itemsize*a.shape[0]. Selanjutnya void(n)adalah jalan pintas untuk dtype((void,n)). akhirnya kami sampai pada versi terpendek ini:

a[unique(a.view(void(a.strides[0])),1)[1]]

Untuk

[[0 1 1 1 0 0]
 [1 1 1 0 0 0]
 [1 1 1 1 1 0]]

Untuk tujuan umum seperti 3D atau array bertingkat multidimensi yang lebih tinggi, coba ini:

import numpy as np

def unique_nested_arrays(ar):
    origin_shape = ar.shape
    origin_dtype = ar.dtype
    ar = ar.reshape(origin_shape[0], np.prod(origin_shape[1:]))
    ar = np.ascontiguousarray(ar)
    unique_ar = np.unique(ar.view([('', origin_dtype)]*np.prod(origin_shape[1:])))
    return unique_ar.view(origin_dtype).reshape((unique_ar.shape[0], ) + origin_shape[1:])

yang memenuhi dataset 2D Anda:

a = np.array([[1, 1, 1, 0, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0, 0],
       [1, 1, 1, 1, 1, 0]])
unique_nested_arrays(a)

memberi:

array([[0, 1, 1, 1, 0, 0],
   [1, 1, 1, 0, 0, 0],
   [1, 1, 1, 1, 1, 0]])

Tetapi juga array 3D seperti:

b = np.array([[[1, 1, 1], [0, 1, 1]],
              [[0, 1, 1], [1, 1, 1]],
              [[1, 1, 1], [0, 1, 1]],
              [[1, 1, 1], [1, 1, 1]]])
unique_nested_arrays(b)

memberi:

array([[[0, 1, 1], [1, 1, 1]],
   [[1, 1, 1], [0, 1, 1]],
   [[1, 1, 1], [1, 1, 1]]])

Tidak satu pun dari jawaban ini yang berhasil untuk saya. Saya berasumsi karena baris unik saya berisi string dan bukan angka. Namun jawaban dari utas lain ini berhasil:

Sumber: https://stackoverflow.com/a/38461043/5402386

Anda dapat menggunakan metode daftar .count () dan .index ()

coor = np.array([[10, 10], [12, 9], [10, 5], [12, 9]])
coor_tuple = [tuple(x) for x in coor]
unique_coor = sorted(set(coor_tuple), key=lambda x: coor_tuple.index(x))
unique_count = [coor_tuple.count(x) for x in unique_coor]
unique_index = [coor_tuple.index(x) for x in unique_coor]

Kita benar-benar dapat mengubah array numpy numerik mxn menjadi array string numpy mx 1, silakan coba menggunakan fungsi berikut, ia menyediakan count , inverse_idx dan lain-lain, seperti numpy.unique:

import numpy as np

def uniqueRow(a):
    #This function turn m x n numpy array into m x 1 numpy array storing 
    #string, and so the np.unique can be used

    #Input: an m x n numpy array (a)
    #Output unique m' x n numpy array (unique), inverse_indx, and counts 

    s = np.chararray((a.shape[0],1))
    s[:] = '-'

    b = (a).astype(np.str)

    s2 = np.expand_dims(b[:,0],axis=1) + s + np.expand_dims(b[:,1],axis=1)

    n = a.shape[1] - 2    

    for i in range(0,n):
         s2 = s2 + s + np.expand_dims(b[:,i+2],axis=1)

    s3, idx, inv_, c = np.unique(s2,return_index = True,  return_inverse = True, return_counts = True)

    return a[idx], inv_, c

Contoh:

A = np.array([[ 3.17   9.502  3.291],
  [ 9.984  2.773  6.852],
  [ 1.172  8.885  4.258],
  [ 9.73   7.518  3.227],
  [ 8.113  9.563  9.117],
  [ 9.984  2.773  6.852],
  [ 9.73   7.518  3.227]])

B, inv_, c = uniqueRow(A)

Results:

B:
[[ 1.172  8.885  4.258]
[ 3.17   9.502  3.291]
[ 8.113  9.563  9.117]
[ 9.73   7.518  3.227]
[ 9.984  2.773  6.852]]

inv_:
[3 4 1 0 2 4 0]

c:
[2 1 1 1 2]

Mari kita dapatkan seluruh matriks numpy sebagai daftar, lalu letakkan duplikat dari daftar ini, dan akhirnya kembalikan daftar unik kita kembali ke matriks numpy:

matrix_as_list=data.tolist() 
matrix_as_list:
[[1, 1, 1, 0, 0, 0], [0, 1, 1, 1, 0, 0], [0, 1, 1, 1, 0, 0], [1, 1, 1, 0, 0, 0], [1, 1, 1, 1, 1, 0]]

uniq_list=list()
uniq_list.append(matrix_as_list[0])

[uniq_list.append(item) for item in matrix_as_list if item not in uniq_list]

unique_matrix=np.array(uniq_list)
unique_matrix:
array([[1, 1, 1, 0, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [1, 1, 1, 1, 1, 0]])

Solusi paling mudah adalah membuat baris-baris menjadi satu item dengan membuatnya menjadi string. Setiap baris kemudian dapat dibandingkan secara keseluruhan karena keunikannya menggunakan numpy. Solusi ini dapat digeneralisasi, Anda hanya perlu mengubah bentuk dan mengubah susunan array untuk kombinasi lainnya. Inilah solusi untuk masalah yang diberikan.

import numpy as np

original = np.array([[1, 1, 1, 0, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [0, 1, 1, 1, 0, 0],
       [1, 1, 1, 0, 0, 0],
       [1, 1, 1, 1, 1, 0]])

uniques, index = np.unique([str(i) for i in original], return_index=True)
cleaned = original[index]
print(cleaned)    

Akan memberi:

 array([[0, 1, 1, 1, 0, 0],
        [1, 1, 1, 0, 0, 0],
        [1, 1, 1, 1, 1, 0]])

Kirim hadiah nobel saya melalui pos

import numpy as np
original = np.array([[1, 1, 1, 0, 0, 0],
                     [0, 1, 1, 1, 0, 0],
                     [0, 1, 1, 1, 0, 0],
                     [1, 1, 1, 0, 0, 0],
                     [1, 1, 1, 1, 1, 0]])
# create a view that the subarray as tuple and return unique indeies.
_, unique_index = np.unique(original.view(original.dtype.descr * original.shape[1]),
                            return_index=True)
# get unique set
print(original[unique_index])