numpy.in1d#

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

测试 1-D 数组的每个元素是否也存在于第二个数组中.

自 2.0 版本弃用: 对于新代码,请使用 isin 代替 in1d .

返回一个与 ar1 长度相同的布尔数组,如果 ar1 的元素在 ar2 中,则为 True,否则为 False.

参数:
ar1(M,) array_like

输入数组.

ar2array_like

用于测试 ar1 中每个值的目标值.

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,则为 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’}, optional

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 6 倍于 ar1 和 ar2 大小之和的内存,不包括 dtype 的大小.

  • 如果为 ‘table’,将使用类似于计数排序的查找表方法.这仅适用于布尔和整数数组.这将占用 ar1 的大小加上 ar2 的最大值减最小值的大小的内存.当使用 ‘table’ 选项时, assume_unique 无效.

  • 如果为 None,则会自动选择 ‘table’,如果所需的内存分配小于或等于 ar1 和 ar2 大小之和的 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,即使在大多数情况下 ‘table’ 可能更快.如果选择 ‘table’,则 assume_unique 将无效.

返回:
in1d(M,) ndarray, bool

ar1[in1d] 中的值在 ar2 中.

参见

isin

此函数的版本,保留 ar1 的形状.

注释

in1d 可以被视为 Python 关键字 in 的元素级函数版本,用于 1-D 序列. in1d(a, b) 大致相当于 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:由于 ar2 被转换为一个数组,在这些情况下 asarray(ar2) 是一个对象数组,而不是预期的包含值的数组.

如果以下关系成立,则使用 kind='table' 往往比 kind=’sort’ 更快: log10(len(ar2)) > (log10(max(ar2)-min(ar2)) - 2.27) / 0.927 ,但可能会使用更多内存. kind 的默认值将仅根据内存使用情况自动选择,因此如果可以放宽内存限制,则可以手动设置 kind='table' .

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])
当前页面