Masque numpy pour compter le nombre d'éléments satisfaisant une condition
Comment utiliser Numpy pour vectoriser cela en boucle?
count=0
arr1 = np.random.Rand(184,184)
for i in range(arr1.size[0]):
for j in range(arr1.size[1]):
if arr1[i,j] > 0.6:
count += 1
print count
J'ai essayé:
count=0
arr1 = np.random.Rand(184,184)
mask = (arr1>0.6)
indices = np.where(mask)
print indices , len(indices)
Je m'attendais à ce que len (indices) donne le nombre, mais ce n'est pas le cas. Toutes suggestions s'il vous plaît.
Obtenez un masque booléen et comptez simplement les "vrais":
(arr1 > 0.6).sum()
np.count_nonzero devrait être un peu plus rapide que la somme:
np.count_nonzero(arr1 > 0.6)
En fait, c'est trois fois plus rapide
>>> from timeit import repeat
>>> kwds = dict(globals=globals(), number=10000)
>>>
>>> arr1 = np.random.Rand(184,184)
>>>
>>> repeat('np.count_nonzero(arr1 > 0.6)', **kwds)
[0.15281831508036703, 0.1485864429268986, 0.1477385900216177]
>>> repeat('(arr1 > 0.6).sum()', **kwds)
[0.5286932559683919, 0.5260644309455529, 0.5260107989888638]
Vous pouvez également utiliser l'attribut size du tableau Numpy:
arr1 = np.random.Rand(184,184)
arr1[ arr1 > 0.6 ].size