numpy.in1d#

numpy.in1d(ar1, ar2, assume_unique=False, invert=False, *, kind=None)[source]#

测试一维数组中的每个元素是否也存在于第二个数组中。

已弃用版本 2.0: 对于新代码,请使用 isin 而不是 in1d

返回一个与 ar1 长度相同的布尔数组,其中 ar1 的元素在 ar2 中为 True,否则为 False。

参数:
ar1(M,) array_like

输入数组。

ar2array_like

用来测试 ar1 中每个值的数组。

assume_uniquebool, 可选

如果为 True,则假定输入数组都唯一,这可以加快计算速度。默认为 False。

invertbool, 可选

如果为 True,则返回数组中的值将被反转(即,如果 ar1 的元素在 ar2 中为 False,否则为 True)。默认为 False。 np.in1d(a, b, invert=True) 等效于(但比)np.invert(in1d(a, b)) 更快。

kind{None, ‘sort’, ‘table’}, 可选

要使用的算法。这不会影响最终结果,但会影响速度和内存使用。默认值 None 将根据内存考虑因素自动选择。

  • 如果为 ‘sort’,将使用基于归并排序的方法。这将占用大约 ar1ar2 大小总和的 6 倍的内存,不包括数据类型的大小。

  • 如果为 ‘table’,将使用类似于计数排序的查找表方法。这仅适用于布尔值和整数数组。这将占用 ar1 的大小加上 ar2 的最大值减去最小值的内存。当使用 ‘table’ 选项时,assume_unique 将不起作用。

  • 如果为 None,将自动选择 ‘table’(如果所需的内存分配小于或等于 ar1ar2 大小总和的 6 倍),否则将使用 ‘sort’。这样做是为了默认情况下不使用大量内存,即使 ‘table’ 在大多数情况下可能更快。如果选择 ‘table’,assume_unique 将不起作用。

版本 1.8.0 中的新增功能。

返回值:
in1d(M,) ndarray, bool

ar1[in1d]ar2 中。

另请参见

isin

此函数的版本,它保留 ar1 的形状。

备注

in1d 可以被视为一维序列的 Python 关键字 in 的逐元素函数版本。 in1d(a, b) 大致等效于 np.array([item in b for item in a])。但是,如果 ar2 是一个集合或类似的(非序列)容器,这个想法就会失败:当 ar2 转换为数组时,在这种情况下 asarray(ar2) 是一个对象数组,而不是预期的包含值的数组。

使用 kind='table' 通常比 kind=’sort’ 更快,如果以下关系成立: log10(len(ar2)) > (log10(max(ar2)-min(ar2)) - 2.27) / 0.927,但可能会使用更多内存。 kind 的默认值将根据内存使用情况自动选择,因此您可以在内存限制可以放宽的情况下手动设置 kind='table'

版本 1.4.0 中的新增功能。

示例

>>> import numpy as np
>>> test = np.array([0, 1, 2, 5, 0])
>>> states = [0, 2]
>>> mask = np.in1d(test, states)
>>> mask
array([ True, False,  True, False,  True])
>>> test[mask]
array([0, 2, 0])
>>> mask = np.in1d(test, states, invert=True)
>>> mask
array([False,  True, False,  True, False])
>>> test[mask]
array([1, 5])