Znajdź unikalne wiersze w numpy.array

Muszę znaleźć unikalne wiersze w numpy.array .

Na przykład:

>>> 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]])

Wiem, że mogę utworzyć zestaw i zapętlić tablicę, ale szukam wydajnego czystego numpyrozwiązania. Uważam, że istnieje sposób, aby ustawić typ danych jako nieważny, a następnie mógłbym po prostu użyć numpy.unique, ale nie mogłem wymyślić, jak to zrobić.

Od NumPy 1.13 można po prostu wybrać oś do wyboru unikalnych wartości w dowolnej tablicy N-dim. Aby uzyskać unikalne wiersze, możesz:

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

Jeszcze inne możliwe rozwiązanie

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

Inną opcją użycia tablic strukturalnych jest użycie widoku voidtypu, który łączy cały wiersz w jeden element:

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]])

EDYCJA Dodano np.ascontiguousarrayzgodnie z zaleceniem @ seberg. Spowolni to metodę, jeśli tablica nie jest już ciągła.

EDYCJA Powyższe można nieco przyspieszyć, być może kosztem przejrzystości, wykonując:

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

Ponadto, przynajmniej w moim systemie, pod względem wydajności jest na równi, a nawet lepiej, niż metoda 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

Jeśli chcesz uniknąć kosztów pamięci związanych z konwersją do serii krotek lub innej podobnej struktury danych, możesz wykorzystać tablice strukturalne numpy.

Sztuką jest wyświetlenie oryginalnej tablicy jako tablicy strukturalnej, w której każdy element odpowiada rzędowi oryginalnej tablicy. To nie tworzy kopii i jest dość wydajne.

Jako szybki przykład:

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

Aby zrozumieć, co się dzieje, spójrz na wyniki pośrednie.

Gdy zobaczymy rzeczy jako tablicę strukturalną, każdy element w tablicy jest wierszem w oryginalnej tablicy. (Zasadniczo jest to struktura danych podobna do listy krotek).

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')])

Po uruchomieniu numpy.uniqueotrzymamy tablicę strukturalną:

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')])

To, co musimy następnie zobaczyć jako „normalną” tablicę ( _przechowuje wynik ostatniego obliczenia ipython, dlatego właśnie widzisz _.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])

A następnie przekształć z powrotem w tablicę 2D ( -1jest symbolem zastępczym, który każe numpy obliczyć prawidłową liczbę wierszy, podać liczbę kolumn):

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]])

Oczywiście, jeśli chcesz być bardziej zwięzły, możesz napisać to jako:

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)

Co skutkuje w:

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

np.uniquekiedy go uruchomię, np.random.random(100).reshape(10,10)zwraca wszystkie unikalne pojedyncze elementy, ale chcesz unikalnych wierszy, więc najpierw musisz je umieścić w krotki:

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

To jedyny sposób, w jaki widzę, jak zmieniasz typy, aby robić to, co chcesz, i nie jestem pewien, czy iteracja listy do zamiany na krotki jest w porządku z twoim „nie powtarzaniem”

np.unique działa poprzez sortowanie spłaszczonej tablicy, a następnie sprawdzenie, czy każdy element jest równy poprzedniemu. Można to zrobić ręcznie bez spłaszczania:

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

Ta metoda nie używa krotek i powinna być znacznie szybsza i prostsza niż inne metody tu podane.

UWAGA: poprzednia wersja tego nie miała ind bezpośrednio po [, co oznacza, że ​​użyto niewłaściwych indeksów. Poza tym Joe Kington ma rację, że robi to wiele pośrednich kopii. Poniższa metoda zmniejsza, tworząc posortowaną kopię, a następnie używając jej widoków:

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

Jest to szybsze i zużywa mniej pamięci.

Ponadto, jeśli chcesz znaleźć unikalne wiersze w tablicy ndarray niezależnie od liczby wymiarów w tablicy, będą działać następujące czynności:

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)))))]

Ciekawym pozostałym problemem byłoby, gdybyś chciał posortować / unikalny wzdłuż dowolnej osi tablicy o dowolnym wymiarze, co byłoby trudniejsze.

Edytować:

Aby zademonstrować różnice prędkości, przeprowadziłem kilka testów w ipython trzech różnych metod opisanych w odpowiedziach. Z twoim dokładnym a nie ma zbyt dużej różnicy, chociaż ta wersja jest nieco szybsza:

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

Z większym a ta wersja kończy się jednak znacznie, znacznie szybciej:

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

Oto kolejna odmiana pythonicznej odpowiedzi @Greg

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

Porównałem sugerowaną alternatywę dla szybkości i odkryłem, że, co zaskakujące, uniquerozwiązanie widoku pustki jest nawet nieco szybsze niż natywny numpy uniquez axisargumentem. Jeśli szukasz prędkości, będziesz chciał

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

Kod do odtworzenia fabuły:

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
    )

Nie podobało mi się żadna z tych odpowiedzi, ponieważ żadna nie obsługuje tablic zmiennoprzecinkowych w algebrze liniowej lub w przestrzeni wektorowej, w której dwa wiersze będące „równe” oznaczają „w pewnym 𝜀”. Jedna odpowiedź, która ma próg tolerancji, https://stackoverflow.com/a/26867764/500207 , przyjęła próg zarówno pod względem elementarnym, jak i precyzji dziesiętnej , co działa w niektórych przypadkach, ale nie jest tak matematycznie ogólne jak prawdziwa odległość wektorowa.

Oto moja wersja:

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)

Powyższa funkcja domeny publicznej służy scipy.spatial.distance.pdistdo znajdowania odległości euklidesowej (konfigurowalnej) między każdą parą wierszy. Następnie porównuje każdą odległość ze threshstarą, aby znaleźć wiersze, które są threshmiędzy sobą, i zwraca tylko jeden wiersz z każdej grupy thresh.

Jak wskazano, odległość metricnie musi być euklidesowa - pdistmoże obliczyć różne odległości, w tym cityblock(normę Manhattanu) icosine (kąt między wektorami).

Jeśli thresh=0(domyślnie), wiersze muszą być bitowe, aby można je było uznać za „unikalne”. Inne dobre wartości do threshzastosowania skalowane precyzja maszyny, tj thresh=np.spacing(1)*1e3.

Dlaczego nie skorzystać drop_duplicatesz pand:

>>> 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

Numpy_indexed pakiet (disclaimer: Jestem jego autorem) owija rozwiązanie zamieszczonych przez Jaime w miłej i sprawdzony interfejs, a także wiele innych funkcji:

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

np.unique działa, mając listę krotek:

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

Z listą list podnosi TypeError: unhashable type: 'list'

W oparciu o odpowiedź na tej stronie napisałem funkcję, która replikuje zdolność funkcji MATLAB unique(input,'rows'), z dodatkową funkcją akceptowania tolerancji dla sprawdzania unikalności. Zwraca również takie wskaźniki, że c = data[ia,:]i data = c[ic,:]. Zgłoś, jeśli zauważysz jakiekolwiek rozbieżności lub błędy.

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

Oprócz doskonałej odpowiedzi @Jaime, innym sposobem zwinięcia wiersza jest użycie a.strides[0](zakładając, że ajest to ciągły C), który jest równy a.dtype.itemsize*a.shape[0]. Ponadto void(n)jest skrót do dtype((void,n)). docieramy w końcu do tej najkrótszej wersji:

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

Dla

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

W przypadku ogólnych celów, takich jak wielowymiarowe tablice zagnieżdżone 3D lub wyższe, wypróbuj to:

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:])

który odpowiada Twojemu zestawowi danych 2D:

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)

daje:

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

Ale także tablice 3D, takie jak:

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)

daje:

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

Żadna z tych odpowiedzi nie działała dla mnie. Zakładam, że moje unikalne wiersze zawierały ciągi, a nie liczby. Jednak ta odpowiedź z innego wątku działała:

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

Możesz użyć metod z listy .count () i .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]

Możemy faktycznie zamienić tablicę liczbową mxn na tablicę ciągów liczbowych mx 1, spróbuj użyć następującej funkcji, która zapewnia count , inverse_idx i etc, podobnie jak 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

Przykład:

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]

Pobierzmy całą macierz liczbową jako listę, a następnie upuść duplikaty z tej listy, a na koniec zwróć naszą unikalną listę z powrotem do macierzy liczbowej:

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]])

Najprostszym rozwiązaniem jest uczynienie wierszy pojedynczym elementem poprzez utworzenie ciągów. Każdy wiersz może być następnie porównany jako całość za pomocą numpy. To rozwiązanie jest możliwe do uogólnienia, wystarczy przekształcić i przetransponować tablicę dla innych kombinacji. Oto rozwiązanie podanego problemu.

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)    

Da:

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

Wyślij moją nagrodę Nobla pocztą

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])