Cara mengembalikan 0 dengan membagi dengan nol

Saya mencoba melakukan pembagian bijak dengan python, tetapi jika angka nol ditemukan, saya perlu hasil bagi menjadi nol.

Sebagai contoh:

array1 = np.array([0, 1, 2])
array2 = np.array([0, 1, 1])

array1 / array2 # should be np.array([0, 1, 2])

Saya selalu bisa menggunakan for-loop melalui data saya, tetapi untuk benar-benar memanfaatkan pengoptimalan numpy, saya memerlukan fungsi pembagian untuk mengembalikan 0 setelah membagi dengan nol kesalahan daripada mengabaikan kesalahan.

Kecuali saya melewatkan sesuatu, sepertinya numpy.seterr () dapat mengembalikan nilai saat terjadi kesalahan. Apakah ada yang punya saran lain tentang bagaimana saya bisa mendapatkan yang terbaik dari numpy sementara mengatur pembagian saya sendiri dengan penanganan kesalahan nol?

Di numpy v1.7 +, Anda dapat memanfaatkan opsi "di mana" untuk ufuncs . Anda dapat melakukan banyak hal dalam satu baris dan Anda tidak perlu berurusan dengan pengelola konteks yang salah.

>>> a = np.array([-1, 0, 1, 2, 3], dtype=float)
>>> b = np.array([ 0, 0, 0, 2, 2], dtype=float)

# If you don't pass `out` the indices where (b == 0) will be uninitialized!
>>> c = np.divide(a, b, out=np.zeros_like(a), where=b!=0)
>>> print(c)
[ 0.   0.   0.   1.   1.5]

Dalam hal ini, ia melakukan kalkulasi bagi di mana saja 'di mana' b tidak sama dengan nol. Ketika b sama dengan nol, maka itu tetap tidak berubah dari nilai apa pun yang Anda berikan pada awalnya dalam argumen 'keluar'.

Berdasarkan jawaban @Franck Dernoncourt, memperbaiki -1 / 0:

def div0( a, b ):
    """ ignore / 0, div0( [-1, 0, 1], 0 ) -> [0, 0, 0] """
    with np.errstate(divide='ignore', invalid='ignore'):
        c = np.true_divide( a, b )
        c[ ~ np.isfinite( c )] = 0  # -inf inf NaN
    return c

div0( [-1, 0, 1], 0 )
array([0, 0, 0])

Membangun dari jawaban lain, dan meningkatkan:

• 0/0penanganan dengan menambahkan invalid='ignore'kenumpy.errstate()
• memperkenalkan numpy.nan_to_num()untuk mengonversi np.nanke 0.

Kode:

import numpy as np

a = np.array([0,0,1,1,2], dtype='float')
b = np.array([0,1,0,1,3], dtype='float')

with np.errstate(divide='ignore', invalid='ignore'):
    c = np.true_divide(a,b)
    c[c == np.inf] = 0
    c = np.nan_to_num(c)

print('c: {0}'.format(c))

Keluaran:

c: [ 0.          0.          0.          1.          0.66666667]

One-liner (melempar peringatan)

np.nan_to_num(array1 / array2)

Coba lakukan dalam dua langkah. Divisi dulu, lalu ganti.

with numpy.errstate(divide='ignore'):
    result = numerator / denominator
    result[denominator == 0] = 0

The numpy.errstateline opsional, dan hanya mencegah NumPy dari memberitahu Anda tentang "kesalahan" membagi dengan nol, karena Anda sudah berniat untuk melakukannya, dan penanganan kasus itu.

Anda juga dapat mengganti berdasarkan inf, hanya jika array dtypes adalah float, sesuai jawaban ini :

>>> a = np.array([1,2,3], dtype='float')
>>> b = np.array([0,1,3], dtype='float')
>>> c = a / b
>>> c
array([ inf,   2.,   1.])
>>> c[c == np.inf] = 0
>>> c
array([ 0.,  2.,  1.])

Satu jawaban yang saya temukan saat mencari pertanyaan terkait adalah memanipulasi keluaran berdasarkan apakah penyebutnya nol atau tidak.

Misalkan arrayAdan arrayBtelah diinisialisasi, tetapi arrayBmemiliki beberapa angka nol. Kami dapat melakukan hal berikut jika ingin menghitung arrayC = arrayA / arrayBdengan aman.

Dalam hal ini, setiap kali saya membagi dengan nol di salah satu sel, saya mengatur sel menjadi sama dengan myOwnValue, yang dalam hal ini akan menjadi nol

myOwnValue = 0
arrayC = np.zeros(arrayA.shape())
indNonZeros = np.where(arrayB != 0)
indZeros = np.where(arrayB = 0)

# division in two steps: first with nonzero cells, and then zero cells
arrayC[indNonZeros] = arrayA[indNonZeros] / arrayB[indNonZeros]
arrayC[indZeros] = myOwnValue # Look at footnote

Catatan kaki: Dalam retrospeksi, baris ini tidak diperlukan lagi, karena arrayC[i]dipakai ke nol. Tetapi jika kasusnya seperti itu myOwnValue != 0, operasi ini akan melakukan sesuatu.

Solusi lain yang layak disebutkan:

>>> a = np.array([1,2,3], dtype='float')
>>> b = np.array([0,1,3], dtype='float')
>>> b_inv = np.array([1/i if i!=0 else 0 for i in b])
>>> a*b_inv
array([0., 2., 1.])