numpy/tensorflow Vektorisierung von Scheiben

Question

Ich bin ein großer Satz von Positionen zu unterschiedlichen Zeitpunkten, als eine spärliche Matrix Verwaltung: eine Anordnung von Positionen (die Spalten) und eine Reihe von Zeiten mit der gleichen Größe. Z.B.

matrix = numpy.random.randint(2, size = 100).astype(float).reshape(10,10) 
times = numpy.nonzero(matrix)[0]+1 
positions = numpy.nonzero(matrix)[1] 

Jetzt muss ich die Positionen mit den Geschwindigkeiten zu einer Zeit zugeordnet korrigieren. Das Problem besteht darin, dass ich als spärliche Matrix die mit einer Zeit verbundene Geschwindigkeit auf jede Position zu einer bestimmten Zeit (d. H. Auf jedes Element ungleich Null in einer gegebenen Reihe) erweitern muss. Ich kenne die Indizes der ersten Position zur angegebenen Zeit und die Anzahl der Male nTimes Wie kann ich diesen Code vektorisieren (d. H. Die Schleife entfernen)?

indexes = numpy.where(numpy.diff(times)>0)[0]+1 
indexes = numpy.concatenate(([0],indexes, [times.size])) 
nTimes = numpy.size(indexes)-1 
speeds = numpy.random.rand(nTimes) 

starts = indexes[:-1] 
ends = indexes[1:] 
expandedSpeeds = numpy.zeros(positions.size) 
for i in numpy.arange(0,nTimes): 
    expandedSpeeds[starts[i]:ends[i]] = speeds[i] 

Bearbeitet, um ein ausführbares Beispiel zu geben.

Answer 1

Ich versuchte funktionalisieren dem ursprünglichen Ansatz und hier ist, was ich habe -

def slices2arr_vect(ar, starts, ends, N): 
    id_arr = np.zeros((N),dtype=int) 
    id_arr[starts[1:]] = 1 
    c = id_arr.cumsum() 

    np.add.at(id_arr, ends[1:],-1) 
    out = np.where(id_arr.cumsum()==0, 0, ar[c]) 
    out[starts[0]:ends[0]] = ar[0] 
    return out 

-

def slices2arr_org(ar, starts, ends, N): 
    out0 = np.zeros((N),dtype=ar.dtype) 
    for i in np.arange(n_grp): 
     out0[starts[i]:ends[i]] = ar[i:i+1] 
    return out0 

Jetzt ist es vektorisieren, wir Verwendung der kumulativen Summierung und einige Maskierung, wie so machen könnte

Hier ist ein Beispiel ausgeführt, um die Dinge klarer zu machen -

In [677]: # Setup inputs 
    ...: np.random.seed(0)  
    ...: n_grp = 5 
    ...: N = 15 
    ...: idx = np.sort(np.random.choice(N, n_grp*2, replace=0)) 
    ...: starts, ends = idx[::2], idx[1::2]      
    ...: ar = np.random.randint(11,99,(N)) 
    ...: 

In [678]: ar 
Out[678]: array([76, 50, 98, 57, 92, 48, 36, 88, 83, 20, 31, 91, 80, 90, 58]) 

In [679]: starts 
Out[679]: array([ 1, 4, 7, 9, 13]) 

In [680]: ends 
Out[680]: array([ 2, 6, 8, 10, 14]) 

In [681]: slices2arr_org(ar, starts, ends, N) 
Out[681]: array([ 0, 76, 0, 0, 50, 50, 0, 98, 0, 57, 0, 0, 0, 92, 0]) 

In [682]: slices2arr_vect(ar, starts, ends, N) 
Out[682]: array([ 0, 76, 0, 0, 50, 50, 0, 98, 0, 57, 0, 0, 0, 92, 0])