比較的スパースな配列があり、各行を調べて、ゼロ以外の要素のみをシャッフルしたいと思います。
入力例:
_[2,3,1,0]
[0,0,2,1]
_
出力例:
_[2,1,3,0]
[0,0,1,2]
_
ゼロの位置がどのように変化していないかに注意してください。
各行のすべての要素(ゼロを含む)をシャッフルするには、次のようにします。
_for i in range(len(X)):
np.random.shuffle(X[i, :])
_
私がそれからやろうとしたことはこれです:
_for i in range(len(X)):
np.random.shuffle(X[i, np.nonzero(X[i, :])])
_
しかし、それは効果がありません。 X[i, np.nonzero(X[i, :])]
の戻り値の型が_X[i, :]
_と異なることに気づきました。これが原因である可能性があります。
_In[30]: X[i, np.nonzero(X[i, :])]
Out[30]: array([[23, 5, 29, 11, 17]])
In[31]: X[i, :]
Out[31]: array([23, 5, 29, 11, 17])
_
非インプレースを使用できます numpy.random.permutation
明示的な非ゼロのインデックス付け:
>>> X = np.array([[2,3,1,0], [0,0,2,1]])
>>> for i in range(len(X)):
... idx = np.nonzero(X[i])
... X[i][idx] = np.random.permutation(X[i][idx])
...
>>> X
array([[3, 2, 1, 0],
[0, 0, 2, 1]])
スリーライナーを見つけたと思いますか?
i, j = np.nonzero(a.astype(bool))
k = np.argsort(i + np.random.Rand(i.size))
a[i,j] = a[i,j[k]]
約束通り、これはバウンティ期間の4日目です。これが、ベクトル化されたソリューションでの私の試みです。関連する手順については、以下で詳しく説明します。
簡単に参照できるように、入力配列をa
と呼びましょう。行の長さの範囲をカバーする、行ごとの一意のインデックスを生成します。このために、入力配列と同じ形状の乱数を単純に生成し、各行に沿ってargsort
インデックスを取得できます。これは、これらの一意のインデックスになります。このアイデアは以前に this post
。
これらのインデックスを列インデックスとして、入力配列の各行にインデックスを付けます。したがって、 advanced-indexing
ここ。これで、各行がシャッフルされた配列が得られます。それをb
と呼びましょう。
シャッフルは行ごとに制限されているため、単にブールインデックスを使用すると:b[b!=0]
、ゼロ以外の要素がシャッフルされ、行ごとのゼロ以外の長さに制限されます。これは、NumPy配列の要素が行優先の順序で格納されるためです。したがって、ブールインデックスを使用すると、次の行に移動する前に、最初に各行でシャッフルされた非ゼロ要素が選択されます。繰り返しますが、a
に対して同様にブールインデックスを使用する場合、つまりa[a!=0]
、次の行に移動する前に、最初に各行のゼロ以外の要素を同様に取得し、これらは元の順序になります。したがって、最後のステップは、マスクされた要素を取得することですb[b!=0]
そしてマスクされた場所に割り当てますa[a!=0]
。
したがって、上記の3つのステップをカバーする実装は次のようになります。
m,n = a.shape
Rand_idx = np.random.Rand(m,n).argsort(axis=1) #step1
b = a[np.arange(m)[:,None], Rand_idx] #step2
a[a!=0] = b[b!=0] #step3
サンプルのステップバイステップの実行により、状況がより明確になる可能性があります-
In [50]: a # Input array
Out[50]:
array([[ 8, 5, 0, -4],
[ 0, 6, 0, 3],
[ 8, 5, 0, -4]])
In [51]: m,n = a.shape # Store shape information
# Unique indices per row that covers the range for row length
In [52]: Rand_idx = np.random.Rand(m,n).argsort(axis=1)
In [53]: Rand_idx
Out[53]:
array([[0, 2, 3, 1],
[1, 0, 3, 2],
[2, 3, 0, 1]])
# Get corresponding indexed array
In [54]: b = a[np.arange(m)[:,None], Rand_idx]
# Do a check on the shuffling being restricted to per row
In [55]: a[a!=0]
Out[55]: array([ 8, 5, -4, 6, 3, 8, 5, -4])
In [56]: b[b!=0]
Out[56]: array([ 8, -4, 5, 6, 3, -4, 8, 5])
# Finally do the assignment based on masking on a and b
In [57]: a[a!=0] = b[b!=0]
In [58]: a # Final verification on desired result
Out[58]:
array([[ 8, -4, 0, 5],
[ 0, 6, 0, 3],
[-4, 8, 0, 5]])
この投稿では、ベクトル化されたソリューションのベンチマークを検討しています。ここで、ベクトル化は、各行をループしてシャッフルするループを回避しようとします。したがって、入力配列のセットアップには、より多くの行が含まれます。
アプローチ-
def app1(a): # @Daniel F's soln
i, j = np.nonzero(a.astype(bool))
k = np.argsort(i + np.random.Rand(i.size))
a[i,j] = a[i,j[k]]
return a
def app2(x): # @kazemakase's soln
r, c = np.where(x != 0)
n = c.size
perm = np.random.permutation(n)
i = np.argsort(perm + r * n)
x[r, c] = x[r, c[i]]
return x
def app3(a): # @Divakar's soln
m,n = a.shape
Rand_idx = np.random.Rand(m,n).argsort(axis=1)
b = a[np.arange(m)[:,None], Rand_idx]
a[a!=0] = b[b!=0]
return a
from scipy.ndimage.measurements import labeled_comprehension
def app4(a): # @FabienP's soln
def func(array, idx):
r[idx] = np.random.permutation(array)
return True
labels, idx = nz = a.nonzero()
r = a[nz]
labeled_comprehension(a[nz], labels + 1, np.unique(labels + 1),\
func, int, 0, pass_positions=True)
a[nz] = r
return a
ベンチマーク手順#1
公正なベンチマークのために、OPのサンプルを使用し、それらをより多くの行としてスタックして、より大きなデータセットを取得することは合理的であるように思われました。したがって、その設定では、200万行と2000万行のデータセットを持つ2つのケースを作成できます。
ケース#1:2*1000,000
行の大きなデータセット
In [174]: a = np.array([[2,3,1,0],[0,0,2,1]])
In [175]: a = np.vstack([a]*1000000)
In [176]: %timeit app1(a)
...: %timeit app2(a)
...: %timeit app3(a)
...: %timeit app4(a)
...:
1 loop, best of 3: 264 ms per loop
1 loop, best of 3: 422 ms per loop
1 loop, best of 3: 254 ms per loop
1 loop, best of 3: 14.3 s per loop
ケース#2:2*10,000,000
行の大きなデータセット
In [177]: a = np.array([[2,3,1,0],[0,0,2,1]])
In [178]: a = np.vstack([a]*10000000)
# app4 skipped here as it was slower on the previous smaller dataset
In [179]: %timeit app1(a)
...: %timeit app2(a)
...: %timeit app3(a)
...:
1 loop, best of 3: 2.86 s per loop
1 loop, best of 3: 4.62 s per loop
1 loop, best of 3: 2.55 s per loop
ベンチマーク手順#2:広範な手順
入力配列内の非ゼロの割合が変化するすべてのケースをカバーするために、いくつかの広範なベンチマークシナリオをカバーしています。また、app4
は他のものよりもはるかに遅いように見えたので、詳しく調べるために、このセクションではそれをスキップします。
入力配列を設定するためのヘルパー関数:
def in_data(n_col, nnz_ratio):
# max no. of elems that my system can handle, i.e. stretching it to limits.
# The idea is to use this to decide the number of rows and always use
# max. possible dataset size
num_elem = 10000000
n_row = num_elem//n_col
a = np.zeros((n_row, n_col),dtype=int)
L = int(round(a.size*nnz_ratio))
a.ravel()[np.random.choice(a.size, L, replace=0)] = np.random.randint(1,6,L)
return a
メインのタイミングとプロットスクリプト(IPythonマジック関数を使用します。したがって、IPythonコンソールにコピーして貼り付けるoponを実行する必要があります)-
import matplotlib.pyplot as plt
# Setup input params
nnz_ratios = np.array([0.2, 0.4, 0.6, 0.8])
n_cols = np.array([4, 5, 8, 10, 15, 20, 25, 50])
init_arr1 = np.zeros((len(nnz_ratios), len(n_cols) ))
init_arr2 = np.zeros((len(nnz_ratios), len(n_cols) ))
init_arr3 = np.zeros((len(nnz_ratios), len(n_cols) ))
timings = {app1:init_arr1, app2:init_arr2, app3:init_arr3}
for i,nnz_ratio in enumerate(nnz_ratios):
for j,n_col in enumerate(n_cols):
a = in_data(n_col, nnz_ratio=nnz_ratio)
for func in timings:
res = %timeit -oq func(a)
timings[func][i,j] = res.best
print func.__name__, i, j, res.best
fig = plt.figure(1)
colors = ['b','k','r']
for i in range(len(nnz_ratios)):
ax = plt.subplot(2,2,i+1)
for f,func in enumerate(timings):
ax.plot(n_cols,
[time for time in timings[func][i]],
label=str(func.__name__), color=colors[f])
ax.set_xlabel('No. of cols')
ax.set_ylabel('time [seconds]')
ax.grid(which='both')
ax.legend()
plt.tight_layout()
plt.title('Percentage non-zeros : '+str(int(100*nnz_ratios[i])) + '%')
plt.subplots_adjust(wspace=0.2, hspace=0.2)
タイミング出力-
観察:
アプローチ#1、#2は、入力配列全体のゼロ以外の要素に対してargsort
を実行します。そのため、ゼロ以外の割合が少ないほどパフォーマンスが向上します。
アプローチ#3は、入力配列と同じ形状の乱数を作成し、行ごとにargsort
インデックスを取得します。したがって、入力内のゼロ以外の特定の数の場合、そのタイミングは最初の2つのアプローチよりも急勾配になります。
結論:
アプローチ#1は、60%がゼロ以外のマークになるまでかなりうまくいっているようです。より多くの非ゼロの場合、および行の長さが小さい場合、アプローチ#3は適切に実行されているようです。
私はそれを思いついた:
_nz = a.nonzero() # Get nonzero indexes
a[nz] = np.random.permutation(a[nz]) # Shuffle nonzero values with mask
_
他の提案されたソリューションよりも単純に見える(そして少し速くなる?).
編集:行を混在させない新しいバージョン
_ labels, *idx = nz = a.nonzero() # get masks
a[nz] = np.concatenate([np.random.permutation(a[nz][labels == i]) # permute values
for i in np.unique(labels)]) # for each label
_
a.nonzero()
の最初の配列(axis0のゼロ以外の値のインデックス)がラベルとして使用される場合。これは、行を混在させないトリックです。
次に、_np.random.permutation
_が各「ラベル」のa[a.nonzero()]
に個別に適用されます。
おそらく _scipy.ndimage.measurements.labeled_comprehension
_ ここで使用できます。_np.random.permutation
_で失敗するようです。
そしてついに、@ randomirが提案したものとよく似ていることがわかりました。とにかく、それはそれを機能させるという挑戦のためだけでした。
EDIT2:
ついに_scipy.ndimage.measurements.labeled_comprehension
_で動作するようになりました
_def shuffle_rows(a):
def func(array, idx):
r[idx] = np.random.permutation(array)
return True
labels, *idx = nz = a.nonzero()
r = a[nz]
labeled_comprehension(a[nz], labels + 1, np.unique(labels + 1), func, int, 0, pass_positions=True)
a[nz] = r
return a
_
どこ:
func()
はゼロ以外の値をシャッフルしますlabeled_comprehension
_はfunc()
をラベルごとに適用しますこれにより、以前のforループが置き換えられ、行数の多い配列で高速になります。
これが、numpyをインストールする必要のない2つのライナーです。
from random import random
def shuffle_nonzeros(input_list):
''' returns a list with the non-zero values shuffled '''
shuffled_nonzero = iter(sorted((i for i in input_list if i!=0), key=lambda k: random()))
print([i for i in (i if i==0 else next(shuffled_nonzero) for i in input_list)])
ただし、1つのライナーが気に入らない場合は、これをジェネレーターにすることができます。
def shuffle_nonzeros(input_list):
''' generator that yields a list with the non-zero values shuffled '''
random_nonzero_values = iter(sorted((i for i in input_list if i!=0), key=lambda k: random()))
for i in iterable:
if i==0:
yield i
else:
yield next(random_nonzero_values)
または、出力としてリストが必要で、1行の内包表記が気に入らない場合
def shuffle_nonzeros(input_list):
''' returns a list with the non-zero values shuffled '''
out = []
random_nonzero_values = iter(sorted((i for i in input_list if i!=0), key=lambda k: random()))
for i in iterable:
if i==0:
out.append(i)
else:
out.append(next(random_nonzero_values))
return out
これは、ベクトル化されたソリューションの1つの可能性です。
r, c = np.where(x > 0)
n = c.size
perm = np.random.permutation(n)
i = np.argsort(perm + r * n)
x[r, c] = x[r, c[i]]
この問題をベクトル化する際の課題は、np.random.permutation
はフラットなインデックスのみを提供し、行全体で配列要素をシャッフルします。オフセットを追加して並べ替えられた値を並べ替えると、行間でシャッフルが発生しないようになります。