numpy.isin#
- numpy.isin(element, test_elements, assume_unique=False, invert=False, *, kind=None)[source]#
计算
element in test_elements
,仅在 element 上广播。返回一个与 element 形状相同的布尔数组,其中 element 的元素在 test_elements 中为 True,否则为 False。- 参数::
- elementarray_like
输入数组。
- test_elementsarray_like
用于测试 element 的每个值的值。如果该参数是数组或类似数组,则会被扁平化。有关非类似数组参数的行为,请参见说明。
- assume_uniquebool, 可选
如果为 True,则假定输入数组都是唯一的,这可以加快计算速度。默认值为 False。
- invertbool, 可选
如果为 True,则返回数组中的值会被反转,就像计算 element not in test_elements 一样。默认值为 False。
np.isin(a, b, invert=True)
等同于(但比)np.invert(np.isin(a, b))
速度更快。- 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 会根据内存考虑自动选择。
如果为 ‘sort’,则使用基于归并排序的方法。这将使用大约 element 和 test_elements 大小总和 6 倍的内存,不包括数据类型的大小。
如果为 ‘table’,则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。这将使用 element 的大小加上 test_elements 的最大值减去最小值的大小来使用内存。当使用 ‘table’ 选项时,assume_unique 将不起作用。
如果为 None,则如果所需的内存分配小于或等于 element 和 test_elements 大小总和的 6 倍,将自动选择 ‘table’,否则将使用 ‘sort’。这样做是为了在默认情况下不使用大量的内存,即使在大多数情况下 ‘table’ 可能更快。如果选择了 ‘table’,assume_unique 将不起作用。
- 返回值::
- isinndarray, bool
与 element 形状相同。值 element[isin] 在 test_elements 中。
说明
isin
是 python 关键字 in 的逐元素函数版本。isin(a, b)
大致等同于np.array([item in b for item in a])
,如果 a 和 b 是 1 维序列。element 和 test_elements 如果不是数组,则会被转换为数组。如果 test_elements 是集合(或其他非序列集合),它将被转换为只有一个元素的对象数组,而不是包含在 test_elements 中的值的数组。这是
array
构造函数处理非序列集合的方式导致的结果。将集合转换为列表通常会得到期望的行为。使用
kind='table'
往往比 kind=’sort’ 速度更快,如果以下关系成立:log10(len(test_elements)) > (log10(max(test_elements)-min(test_elements)) - 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自动选择,因此如果可以放松内存限制,可以手动设置kind='table'
。版本 1.13.0 中的新功能。
示例
>>> import numpy as np >>> element = 2*np.arange(4).reshape((2, 2)) >>> element array([[0, 2], [4, 6]]) >>> test_elements = [1, 2, 4, 8] >>> mask = np.isin(element, test_elements) >>> mask array([[False, True], [ True, False]]) >>> element[mask] array([2, 4])
可以使用
nonzero
获取匹配值的索引>>> np.nonzero(mask) (array([0, 1]), array([1, 0]))
测试也可以反转
>>> mask = np.isin(element, test_elements, invert=True) >>> mask array([[ True, False], [False, True]]) >>> element[mask] array([0, 6])
由于
array
处理集合的方式,以下操作不会按预期工作>>> test_set = {1, 2, 4, 8} >>> np.isin(element, test_set) array([[False, False], [False, False]])
将集合转换为列表会得到期望的结果
>>> np.isin(element, list(test_set)) array([[False, True], [ True, False]])