Python 中的循环切片-解网

问：

我在尝试将 Cesar 密码应用于每行具有不同移位值的矩阵时提出了这个问题，即给定一个矩阵X

array([[1, 0, 8],
   [5, 1, 4],
   [2, 1, 1]])

当移位值为时，输出需要S = array([0, 1, 1])

array([[1, 0, 8],
   [1, 4, 5],
   [1, 1, 2]])

这很容易通过以下代码实现：

Y = []
for i in range(X.shape[0]):
    if (S[i] > 0):
        Y.append( X[i,S[i]::].tolist() + X[i,:S[i]:].tolist() )
    else:
        Y.append(X[i,:].tolist())
Y = np.array(Y)

这是一个左循环移位。我想知道如何使用numpy数组以更有效的方式做到这一点？

更新：本示例将移位应用于矩阵的列。假设我们有一个 3D 数组

array([[[8, 1, 8],
        [8, 6, 2],
        [5, 3, 7]],

       [[4, 1, 0],
        [5, 9, 5],
        [5, 1, 7]],

       [[9, 8, 6],
        [5, 1, 0],
        [5, 5, 4]]])

然后，在柱子上循环右移导致S = array([0, 0, 1])

array([[[8, 1, 7],
        [8, 6, 8],
        [5, 3, 2]],

       [[4, 1, 7],
        [5, 9, 0],
        [5, 1, 5]],

       [[9, 8, 4],
        [5, 1, 6],
        [5, 5, 0]]])

python-2.7 numpy 切片

方法#2：我们还可以利用步幅的力量来进一步加速。这个想法是将切片部分从头开始连接起来，并在末尾附加它，然后创建长度与列数相同的滑动窗口，最后索引到适当的窗口编号以获得相同的滚动效果。实现将是这样的——

def cyclic_slice_strided(X, S):
    X2 = np.column_stack((X,X[:,:-1]))
    s0,s1 = X2.strides
    strided = np.lib.stride_tricks.as_strided 

    m,n1 = X.shape
    n2 = X2.shape[1]
    X2_3D = strided(X2, shape=(m,n2-n1+1,n1), strides=(s0,s1,s1))
    return X2_3D[np.arange(len(S)),S]

试运行 -

In [34]: X
Out[34]: 
array([[1, 0, 8],
       [5, 1, 4],
       [2, 1, 1]])

In [35]: S
Out[35]: array([0, 1, 1])

In [36]: cyclic_slice(X, S)
Out[36]: 
array([[1, 0, 8],
       [1, 4, 5],
       [1, 1, 2]])

运行时测试 -

In [75]: X = np.random.rand(10000,100)
    ...: S = np.random.randint(0,100,(10000))

# @Moses Koledoye's soln
In [76]: %%timeit
    ...: Y = []
    ...: for i, x in zip(S, X):
    ...:     Y.append(np.roll(x, -i))
10 loops, best of 3: 108 ms per loop

In [77]: %timeit cyclic_slice(X, S)
100 loops, best of 3: 14.1 ms per loop

In [78]: %timeit cyclic_slice_strided(X, S)
100 loops, best of 3: 4.3 ms per loop

适配3D外壳

根据情况，我们会——approach #13D

shift = 'left'
axis = 1 # axis along which S is to be used (axis=1 for rows)
n = X.shape[axis]
if shift == 'left':
    Sa = S
else:
    Sa = -S    

# For rows
idx = np.mod(np.arange(n)[:,None] + Sa,n)
out = X[:,idx, np.arange(len(S))]

# For columns
idx = np.mod(Sa[:,None] + np.arange(n),n)
out = X[:,np.arange(len(S))[:,None], idx]

# For axis=0
idx = np.mod(np.arange(n)[:,None] + Sa,n)
out = X[idx, np.arange(len(S))]

可能有一种方法可以为通用解决方案提供通用解决方案，但我会保留到这一点。axis

Python 中的循环切片

Cycling Slicing in Python

评论

评论