numpy: bir dizideki benzersiz değerler için en verimli frekans sayımı

numpy/ İçinde scipy, bir dizideki benzersiz değerler için frekans sayımları almanın etkili bir yolu var mı?

Bu çizgiler boyunca bir şey:

x = array( [1,1,1,2,2,2,5,25,1,1] )
y = freq_count( x )
print y

>> [[1, 5], [2,3], [5,1], [25,1]]

(Sizin için, R kullanıcıları orada, temelde table()işlevi arıyorum )

Şuna bir göz atın np.bincount:

http://docs.scipy.org/doc/numpy/reference/generated/numpy.bincount.html

import numpy as np
x = np.array([1,1,1,2,2,2,5,25,1,1])
y = np.bincount(x)
ii = np.nonzero(y)[0]

Ve sonra:

zip(ii,y[ii]) 
# [(1, 5), (2, 3), (5, 1), (25, 1)]

veya:

np.vstack((ii,y[ii])).T
# array([[ 1,  5],
         [ 2,  3],
         [ 5,  1],
         [25,  1]])

ancak sayıları ve benzersiz değerleri birleştirmek istersiniz.

Numpy 1.9'dan itibaren, en kolay ve en hızlı yöntem, numpy.uniqueşimdi bir return_countsanahtar kelime argümanı olan basitçe kullanmaktır :

import numpy as np

x = np.array([1,1,1,2,2,2,5,25,1,1])
unique, counts = np.unique(x, return_counts=True)

print np.asarray((unique, counts)).T

Hangi verir:

 [[ 1  5]
  [ 2  3]
  [ 5  1]
  [25  1]]

Şunlarla hızlı bir karşılaştırma scipy.stats.itemfreq:

In [4]: x = np.random.random_integers(0,100,1e6)

In [5]: %timeit unique, counts = np.unique(x, return_counts=True)
10 loops, best of 3: 31.5 ms per loop

In [6]: %timeit scipy.stats.itemfreq(x)
10 loops, best of 3: 170 ms per loop

Güncelleme: Orijinal yanıtta belirtilen yöntem kullanımdan kaldırıldı, bunun yerine yeni yolu kullanmalıyız:

>>> import numpy as np
>>> x = [1,1,1,2,2,2,5,25,1,1]
>>> np.array(np.unique(x, return_counts=True)).T
    array([[ 1,  5],
           [ 2,  3],
           [ 5,  1],
           [25,  1]])

Orijinal cevap:

scipy.stats.itemfreq kullanabilirsiniz

>>> from scipy.stats import itemfreq
>>> x = [1,1,1,2,2,2,5,25,1,1]
>>> itemfreq(x)
/usr/local/bin/python:1: DeprecationWarning: `itemfreq` is deprecated! `itemfreq` is deprecated and will be removed in a future version. Use instead `np.unique(..., return_counts=True)`
array([[  1.,   5.],
       [  2.,   3.],
       [  5.,   1.],
       [ 25.,   1.]])

Ben de bununla ilgileniyordum, bu yüzden biraz performans karşılaştırması yaptım ( bir evcil hayvan projesi olan perfplot kullanarak ). Sonuç:

y = np.bincount(a)
ii = np.nonzero(y)[0]
out = np.vstack((ii, y[ii])).T

en hızlısı. (Günlük ölçeklendirmeye dikkat edin.)

Grafiği oluşturmak için kod:

import numpy as np
import pandas as pd
import perfplot
from scipy.stats import itemfreq


def bincount(a):
    y = np.bincount(a)
    ii = np.nonzero(y)[0]
    return np.vstack((ii, y[ii])).T


def unique(a):
    unique, counts = np.unique(a, return_counts=True)
    return np.asarray((unique, counts)).T


def unique_count(a):
    unique, inverse = np.unique(a, return_inverse=True)
    count = np.zeros(len(unique), np.int)
    np.add.at(count, inverse, 1)
    return np.vstack((unique, count)).T


def pandas_value_counts(a):
    out = pd.value_counts(pd.Series(a))
    out.sort_index(inplace=True)
    out = np.stack([out.keys().values, out.values]).T
    return out


perfplot.show(
    setup=lambda n: np.random.randint(0, 1000, n),
    kernels=[bincount, unique, itemfreq, unique_count, pandas_value_counts],
    n_range=[2 ** k for k in range(26)],
    logx=True,
    logy=True,
    xlabel="len(a)",
)

Panda modülünü kullanarak:

>>> import pandas as pd
>>> import numpy as np
>>> x = np.array([1,1,1,2,2,2,5,25,1,1])
>>> pd.value_counts(x)
1     5
2     3
25    1
5     1
dtype: int64

Bu, en genel ve en performanslı çözümdür; henüz gönderilmedi şaşırttı.

import numpy as np

def unique_count(a):
    unique, inverse = np.unique(a, return_inverse=True)
    count = np.zeros(len(unique), np.int)
    np.add.at(count, inverse, 1)
    return np.vstack(( unique, count)).T

print unique_count(np.random.randint(-10,10,100))

Şu anda kabul edilen cevabın aksine, sıralanabilir (sadece pozitif ints değil) herhangi bir veri türü üzerinde çalışır ve optimum performansa sahiptir; tek önemli gider np.unique tarafından yapılan sıralamadadır.

numpy.bincountmuhtemelen en iyi seçimdir. Diziniz küçük yoğun tamsayıların yanı sıra herhangi bir şey içeriyorsa, bunu şöyle bir şeyle sarmak yararlı olabilir:

def count_unique(keys):
    uniq_keys = np.unique(keys)
    bins = uniq_keys.searchsorted(keys)
    return uniq_keys, np.bincount(bins)

Örneğin:

>>> x = array([1,1,1,2,2,2,5,25,1,1])
>>> count_unique(x)
(array([ 1,  2,  5, 25]), array([5, 3, 1, 1]))

Zaten yanıtlanmış olmasına rağmen, yararlanan farklı bir yaklaşım öneriyorum numpy.histogram. Bu tür bir fonksiyon, bir dizi verildiğinde , bidonlarda gruplanmış elemanlarının frekansını döndürür .

Yine de dikkat edin : sayılar tamsayı olduğu için bu örnekte çalışır. Eğer gerçek rakamlar varsa, bu çözüm o kadar güzel olmazdı.

>>> from numpy import histogram
>>> y = histogram (x, bins=x.max()-1)
>>> y
(array([5, 3, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
       1]),
 array([  1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,  10.,  11.,
        12.,  13.,  14.,  15.,  16.,  17.,  18.,  19.,  20.,  21.,  22.,
        23.,  24.,  25.]))

import pandas as pd
import numpy as np
x = np.array( [1,1,1,2,2,2,5,25,1,1] )
print(dict(pd.Series(x).value_counts()))

Bu size şunu verir: {1: 5, 2: 3, 5: 1, 25: 1}

Benzersiz olmayan tam sayıları saymak için - Eelco Hoogendoorn'un cevabına benzer ancak oldukça daha hızlı (makinemdeki 5 faktörü), biraz c kodu ile weave.inlinebirleşirdim numpy.unique;

import numpy as np
from scipy import weave

def count_unique(datain):
  """
  Similar to numpy.unique function for returning unique members of
  data, but also returns their counts
  """
  data = np.sort(datain)
  uniq = np.unique(data)
  nums = np.zeros(uniq.shape, dtype='int')

  code="""
  int i,count,j;
  j=0;
  count=0;
  for(i=1; i<Ndata[0]; i++){
      count++;
      if(data(i) > data(i-1)){
          nums(j) = count;
          count = 0;
          j++;
      }
  }
  // Handle last value
  nums(j) = count+1;
  """
  weave.inline(code,
      ['data', 'nums'],
      extra_compile_args=['-O2'],
      type_converters=weave.converters.blitz)
  return uniq, nums

Profil bilgisi

> %timeit count_unique(data)
> 10000 loops, best of 3: 55.1 µs per loop

Eelco'nun saf numpyversiyonu:

> %timeit unique_count(data)
> 1000 loops, best of 3: 284 µs per loop

Not

Burada fazlalık var ( uniquebir sıralama da gerçekleştiriyor), yani kodun uniqueişlevsellikleri c-kod döngüsünün içine koyarak daha da optimize edilebilir .

Eski soru, ama ben kendi test sunmak için, en hızlı olduğu ortaya çıktı, giriş olarak normal listkullanın np.array(veya öncelikle listeye transfer) kullanın.

Siz de karşılaşırsanız kontrol edin .

def count(a):
    results = {}
    for x in a:
        if x not in results:
            results[x] = 1
        else:
            results[x] += 1
    return results

Örneğin,

>>>timeit count([1,1,1,2,2,2,5,25,1,1]) would return:

100000 döngü, en iyisi 3: döngü başına 2,26 µs

>>>timeit count(np.array([1,1,1,2,2,2,5,25,1,1]))

100000 döngü, en iyisi 3: döngü başına 8,8 µs

>>>timeit count(np.array([1,1,1,2,2,2,5,25,1,1]).tolist())

100000 döngü, en iyisi 3: döngü başına 5,85 µs

Kabul edilen cevap daha yavaş olur ve scipy.stats.itemfreqçözüm daha da kötüdür.

Daha ayrıntılı bir test , formüle edilmiş beklentiyi doğrulamamıştır .

from zmq import Stopwatch
aZmqSTOPWATCH = Stopwatch()

aDataSETasARRAY = ( 100 * abs( np.random.randn( 150000 ) ) ).astype( np.int )
aDataSETasLIST  = aDataSETasARRAY.tolist()

import numba
@numba.jit
def numba_bincount( anObject ):
    np.bincount(    anObject )
    return

aZmqSTOPWATCH.start();np.bincount(    aDataSETasARRAY );aZmqSTOPWATCH.stop()
14328L

aZmqSTOPWATCH.start();numba_bincount( aDataSETasARRAY );aZmqSTOPWATCH.stop()
592L

aZmqSTOPWATCH.start();count(          aDataSETasLIST  );aZmqSTOPWATCH.stop()
148609L

Ref. küçük bir veri kümesini büyük ölçüde tekrarlayan test sonuçlarını etkileyen önbellek ve diğer RAM içi yan etkiler hakkında aşağıdaki yorumlar.

böyle bir şey yapmalı:

#create 100 random numbers
arr = numpy.random.random_integers(0,50,100)

#create a dictionary of the unique values
d = dict([(i,0) for i in numpy.unique(arr)])
for number in arr:
    d[j]+=1   #increment when that value is found

Ayrıca, benzersiz öğeleri verimli bir şekilde saymakla ilgili bu önceki yazı, bir şey kaçırmadıkça sorunuza oldukça benziyor.

çok boyutlu frekans sayımı, yani sayım dizileri.

>>> print(color_array    )
  array([[255, 128, 128],
   [255, 128, 128],
   [255, 128, 128],
   ...,
   [255, 128, 128],
   [255, 128, 128],
   [255, 128, 128]], dtype=uint8)


>>> np.unique(color_array,return_counts=True,axis=0)
  (array([[ 60, 151, 161],
    [ 60, 155, 162],
    [ 60, 159, 163],
    [ 61, 143, 162],
    [ 61, 147, 162],
    [ 61, 162, 163],
    [ 62, 166, 164],
    [ 63, 137, 162],
    [ 63, 169, 164],
   array([     1,      2,      2,      1,      4,      1,      1,      2,
         3,      1,      1,      1,      2,      5,      2,      2,
       898,      1,      1,  

import pandas as pd
import numpy as np

print(pd.Series(name_of_array).value_counts())

from collections import Counter
x = array( [1,1,1,2,2,2,5,25,1,1] )
mode = counter.most_common(1)[0][0]