sprawdź, czy tablica numpy ma 0 na wszystkich swoich granicach [zamknięte]

Jaki byłby najszybszy sposób sprawdzenia, czy wielowymiarowa tablica liczbowa ma 0 ze wszystkich stron.

Dla prostego przykładu 2D mam:

x = np.random.rand(5, 5)
assert np.sum(x[0:,  0]) == 0
assert np.sum(x[0,  0:]) == 0
assert np.sum(x[0:, -1]) == 0
assert np.sum(x[-1, 0:]) == 0

Chociaż jest to w porządku, aby przypadki 2D miały rację, pisanie dla wyższych wymiarów jest nieco nudne i zastanawiałem się, czy jest jakaś sprytna sztuczka numeryczna, której mogę użyć tutaj, aby była wydajna i łatwiejsza w utrzymaniu.

Oto jak możesz to zrobić:

assert(all(np.all(np.take(x, index, axis=axis) == 0)
           for axis in range(x.ndim)
           for index in (0, -1)))

np.take robi to samo, co „fantazyjne” indeksowanie.

Oto odpowiedź, która faktycznie bada części tablicy, którą jesteś zainteresowany i nie marnuje czasu na tworzenie maski wielkości całej tablicy. Istnieje pętla na poziomie Pythona, ale jest krótka, z iteracjami proporcjonalnymi do liczby wymiarów zamiast wielkości tablicy.

def all_borders_zero(array):
    if not array.ndim:
        raise ValueError("0-dimensional arrays not supported")
    for dim in range(array.ndim):
        view = numpy.moveaxis(array, dim, 0)
        if not (view[0] == 0).all():
            return False
        if not (view[-1] == 0).all():
            return False
    return True

Przekształciłem tablicę, a następnie wykonałem iterację. Niestety, moja odpowiedź zakłada, że ​​masz co najmniej trzy wymiary i popełnisz błąd w przypadku normalnych matryc, musisz dodać specjalną klauzulę dla tablic o kształcie 1 i 2 wymiarowym. Ponadto będzie to powolne, więc prawdopodobnie są lepsze rozwiązania.

x = np.array(
        [
            [
                [0 , 1, 1, 0],
                [0 , 2, 3, 0],
                [0 , 4, 5, 0]
            ],
            [
                [0 , 6, 7, 0],
                [0 , 7, 8, 0],
                [0 , 9, 5, 0]
            ]
        ])

xx = np.array(
        [
            [
                [0 , 0, 0, 0],
                [0 , 2, 3, 0],
                [0 , 0, 0, 0]
            ],
            [
                [0 , 0, 0, 0],
                [0 , 7, 8, 0],
                [0 , 0, 0, 0]
            ]
        ])

def check_edges(x):

    idx = x.shape
    chunk = np.prod(idx[:-2])
    x = x.reshape((chunk*idx[-2], idx[-1]))
    for block in range(chunk):
        z = x[block*idx[-2]:(block+1)*idx[-2], :]
        if not np.all(z[:, 0] == 0):
            return False
        if not np.all(z[:, -1] == 0):
            return False
        if not np.all(z[0, :] == 0):
            return False
        if not np.all(z[-1, :] == 0):
            return False

    return True

Który wyprodukuje

>>> False
>>> True

Zasadniczo układam wszystkie wymiary jeden na drugim, a następnie przeglądam je, aby sprawdzić ich krawędzie.

może operator elipsy jest tym, czego szukasz, który będzie działał dla wielu wymiarów:

import numpy as np

# data
x = np.random.rand(2, 5, 5)
x[..., 0:, 0] = 0
x[..., 0, 0:] = 0
x[..., 0:, -1] = 0
x[..., -1, 0:] = 0

test = np.all(
    [
        np.all(x[..., 0:, 0] == 0),
        np.all(x[..., 0, 0:] == 0),
        np.all(x[..., 0:, -1] == 0),
        np.all(x[..., -1, 0:] == 0),
    ]
)

print(test)

Możesz skorzystać z slicemaskowania logicznego, aby wykonać zadanie:

def get_borders(arr):
    s=tuple(slice(1,i-1) for i in a.shape)
    mask = np.ones(arr.shape, dtype=bool)
    mask[s] = False
    return(arr[mask])

Ta funkcja najpierw kształtuje „rdzeń” tablicy w krotkę s, a następnie buduje pokazaną maskęTrue tylko punkty graniczne. Indeksowanie boolowskie dostarcza punktów granicznych.

Przykład roboczy:

a = np.arange(16).reshape((4,4))

print(a)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

borders = get_borders(a)
print(borders)
array([ 0,  1,  2,  3,  4,  7,  8, 11, 12, 13, 14, 15])

Następnie np.all(borders==0)poda pożądane informacje.

Uwaga: to łamie się dla tablic jednowymiarowych, chociaż uważam je za przypadek krawędzi. Prawdopodobnie lepiej jest po prostu sprawdzić tam dwa punkty, o których mowa