web-dev-qa-db-fra.com

Compter le nombre d’éléments non-NaN dans un tableau numérique dans Python

J'ai besoin de calculer le nombre d'éléments non-NaN dans une matrice numpy-ndarray. Comment ferait-on cela efficacement en Python? Voici mon code simple pour y parvenir:

import numpy as np

def numberOfNonNans(data):
    count = 0
    for i in data:
        if not np.isnan(i):
            count += 1
    return count

Existe-t-il une fonction intégrée pour cela dans numpy? L'efficacité est importante car je suis en train d'analyser le Big Data.

Merci pour toute aide!

pythonnumpymatrixnan
62
jjepsuomi
np.count_nonzero(~np.isnan(data))

~ Inverse la matrice booléenne renvoyée par np.isnan.

np.count_nonzero Compte les valeurs qui ne sont pas 0\false. .sum Devrait donner le même résultat. Mais peut-être plus clairement d'utiliser count_nonzero

Vitesse d'essai:

In [23]: data = np.random.random((10000,10000))

In [24]: data[[np.random.random_integers(0,10000, 100)],:][:, [np.random.random_integers(0,99, 100)]] = np.nan

In [25]: %timeit data.size - np.count_nonzero(np.isnan(data))
1 loops, best of 3: 309 ms per loop

In [26]: %timeit np.count_nonzero(~np.isnan(data))
1 loops, best of 3: 345 ms per loop

In [27]: %timeit data.size - np.isnan(data).sum()
1 loops, best of 3: 339 ms per loop

data.size - np.count_nonzero(np.isnan(data)) semble être à peine le plus rapide ici. d'autres données peuvent donner des résultats de vitesse relative différents.

110
M4rtini

Alternative rapide à écrire

Même si ce n’est pas le choix le plus rapide, si les performances ne sont pas un problème, vous pouvez utiliser:

sum(~np.isnan(data)).

Performance:

In [7]: %timeit data.size - np.count_nonzero(np.isnan(data))
10 loops, best of 3: 67.5 ms per loop

In [8]: %timeit sum(~np.isnan(data))
10 loops, best of 3: 154 ms per loop

In [9]: %timeit np.sum(~np.isnan(data))
10 loops, best of 3: 140 ms per loop
5
G M

Une alternative, mais un peu plus lente, consiste à le faire sur l’indexation.

np.isnan(data)[np.isnan(data) == False].size

In [30]: %timeit np.isnan(data)[np.isnan(data) == False].size
1 loops, best of 3: 498 ms per loop

La double utilisation de np.isnan(data) et de l'opérateur == Est peut-être un peu exagérée et j'ai donc posté la réponse uniquement par souci d'exhaustivité.

2
Manuel

Pour déterminer si le tableau est rare, il peut être utile d’obtenir une proportion de nan

np.isnan(ndarr).sum() / ndarr.size

Si cette proportion dépasse un seuil, utilisez un tableau fragmenté, par ex. - https://sparse.pydata.org/en/latest/

1
Darren Weber