Numpy dizisinde en yakın değeri bulun

Bir dizideki en yakın değeri bulmak için örneğin, işlev gibi sayısal bir yöntem var mı ?

Misal:

np.find_nearest( array, value )

import numpy as np
def find_nearest(array, value):
    array = np.asarray(array)
    idx = (np.abs(array - value)).argmin()
    return array[idx]

array = np.random.random(10)
print(array)
# [ 0.21069679  0.61290182  0.63425412  0.84635244  0.91599191  0.00213826
#   0.17104965  0.56874386  0.57319379  0.28719469]

value = 0.5

print(find_nearest(array, value))
# 0.568743859261

EĞER diziniz sıralanıp çok büyük olduğunu, bu çok daha hızlı bir çözümdür:

def find_nearest(array,value):
    idx = np.searchsorted(array, value, side="left")
    if idx > 0 and (idx == len(array) or math.fabs(value - array[idx-1]) < math.fabs(value - array[idx])):
        return array[idx-1]
    else:
        return array[idx]

Bu çok büyük dizilere ölçeklendirilir. Dizinin zaten sıralanmış olduğunu varsayamazsanız, yöntemi sıralamak için yukarıdakileri kolayca değiştirebilirsiniz. Küçük diziler için aşırı dolu, ancak büyüdüklerinde bu çok daha hızlı.

Hafif bir değişiklikle, yukarıdaki cevap keyfi boyut dizileri (1d, 2d, 3d, ...) ile çalışır:

def find_nearest(a, a0):
    "Element in nd array `a` closest to the scalar value `a0`"
    idx = np.abs(a - a0).argmin()
    return a.flat[idx]

Veya tek bir satır olarak yazılır:

a.flat[np.abs(a - a0).argmin()]

Cevabın özeti : Eğer biri sıralanırsa array(aşağıda verilen) ikiye ayırma kodu en hızlı şekilde çalışır. Büyük diziler için ~ 100-1000 kat, küçük diziler için ~ 2-100 kat daha hızlı. Ayrıca numpy gerektirmez. Sıralanmamışsa , arrayeğer arraybüyükse, önce O (n logn) türünü ve sonra ikiye ayırmayı düşünmelisiniz ve eğer arrayküçükse, yöntem 2 en hızlı görünür.

İlk önce ne demek istediğinizi en yakın değerle açıklığa kavuşturmalısınız . Genellikle bir apsiste aralık ister, örneğin dizi = [0,0,7,2,1], değer = 1,95, cevap idx = 1 olur. Bu, ihtiyaç duyduğunuzdan şüphelendiğim durumdur (aksi takdirde, aralığı bulduktan sonra aşağıdaki koşullu ifadeyle kolayca değiştirilebilir). Bunu gerçekleştirmenin en iyi yolunun iki bölümlü olduğuna dikkat edeceğim (ilk önce sağlayacağım - hiç numpy gerektirmediğini ve gereksiz işlemleri gerçekleştirdikleri için numpy işlevlerini kullanmaktan daha hızlı olduğunu unutmayın). Sonra burada diğer kullanıcılar tarafından sunulan diğerlerine karşı bir zamanlama karşılaştırma sağlayacaktır.

İkiye bölme:

def bisection(array,value):
    '''Given an ``array`` , and given a ``value`` , returns an index j such that ``value`` is between array[j]
    and array[j+1]. ``array`` must be monotonic increasing. j=-1 or j=len(array) is returned
    to indicate that ``value`` is out of range below and above respectively.'''
    n = len(array)
    if (value < array[0]):
        return -1
    elif (value > array[n-1]):
        return n
    jl = 0# Initialize lower
    ju = n-1# and upper limits.
    while (ju-jl > 1):# If we are not yet done,
        jm=(ju+jl) >> 1# compute a midpoint with a bitshift
        if (value >= array[jm]):
            jl=jm# and replace either the lower limit
        else:
            ju=jm# or the upper limit, as appropriate.
        # Repeat until the test condition is satisfied.
    if (value == array[0]):# edge cases at bottom
        return 0
    elif (value == array[n-1]):# and top
        return n-1
    else:
        return jl

Şimdi diğer cevaplardan kodu tanımlayacağım, her biri bir dizin döndürür:

import math
import numpy as np

def find_nearest1(array,value):
    idx,val = min(enumerate(array), key=lambda x: abs(x[1]-value))
    return idx

def find_nearest2(array, values):
    indices = np.abs(np.subtract.outer(array, values)).argmin(0)
    return indices

def find_nearest3(array, values):
    values = np.atleast_1d(values)
    indices = np.abs(np.int64(np.subtract.outer(array, values))).argmin(0)
    out = array[indices]
    return indices

def find_nearest4(array,value):
    idx = (np.abs(array-value)).argmin()
    return idx


def find_nearest5(array, value):
    idx_sorted = np.argsort(array)
    sorted_array = np.array(array[idx_sorted])
    idx = np.searchsorted(sorted_array, value, side="left")
    if idx >= len(array):
        idx_nearest = idx_sorted[len(array)-1]
    elif idx == 0:
        idx_nearest = idx_sorted[0]
    else:
        if abs(value - sorted_array[idx-1]) < abs(value - sorted_array[idx]):
            idx_nearest = idx_sorted[idx-1]
        else:
            idx_nearest = idx_sorted[idx]
    return idx_nearest

def find_nearest6(array,value):
    xi = np.argmin(np.abs(np.ceil(array[None].T - value)),axis=0)
    return xi

Şimdi kodları zamanlayacağım : Not 1 , 2, 4, 5 aralıkları doğru aralığı vermiyor. Yöntemler 1,2,4 dizideki en yakın noktaya yuvarlanır (örn.> = 1,5 -> 2) ve yöntem 5 her zaman yukarı yuvarlanır (örneğin 1,45 -> 2). Sadece yöntem 3 ve 6 ve tabii ki biseksiyon aralığı uygun şekilde verir.

array = np.arange(100000)
val = array[50000]+0.55
print( bisection(array,val))
%timeit bisection(array,val)
print( find_nearest1(array,val))
%timeit find_nearest1(array,val)
print( find_nearest2(array,val))
%timeit find_nearest2(array,val)
print( find_nearest3(array,val))
%timeit find_nearest3(array,val)
print( find_nearest4(array,val))
%timeit find_nearest4(array,val)
print( find_nearest5(array,val))
%timeit find_nearest5(array,val)
print( find_nearest6(array,val))
%timeit find_nearest6(array,val)

(50000, 50000)
100000 loops, best of 3: 4.4 µs per loop
50001
1 loop, best of 3: 180 ms per loop
50001
1000 loops, best of 3: 267 µs per loop
[50000]
1000 loops, best of 3: 390 µs per loop
50001
1000 loops, best of 3: 259 µs per loop
50001
1000 loops, best of 3: 1.21 ms per loop
[50000]
1000 loops, best of 3: 746 µs per loop

Büyük bir dizi için bisection bir sonraki en iyi 180us ve en uzun 1.21ms (~ 100-1000 kat daha hızlı) ile karşılaştırıldığında 4us verir. Daha küçük diziler için ~ 2-100 kat daha hızlıdır.

İşte bir vektör dizisindeki en yakın vektörü bulmak için bir uzantı.

import numpy as np

def find_nearest_vector(array, value):
  idx = np.array([np.linalg.norm(x+y) for (x,y) in array-value]).argmin()
  return array[idx]

A = np.random.random((10,2))*100
""" A = array([[ 34.19762933,  43.14534123],
   [ 48.79558706,  47.79243283],
   [ 38.42774411,  84.87155478],
   [ 63.64371943,  50.7722317 ],
   [ 73.56362857,  27.87895698],
   [ 96.67790593,  77.76150486],
   [ 68.86202147,  21.38735169],
   [  5.21796467,  59.17051276],
   [ 82.92389467,  99.90387851],
   [  6.76626539,  30.50661753]])"""
pt = [6, 30]  
print find_nearest_vector(A,pt)
# array([  6.76626539,  30.50661753])

Numpy'yi kullanmak istemiyorsanız, bunu yaparsınız:

def find_nearest(array, value):
    n = [abs(i-value) for i in array]
    idx = n.index(min(n))
    return array[idx]

İşte skaler olmayan bir "değerler" dizisini işleyecek bir sürüm:

import numpy as np

def find_nearest(array, values):
    indices = np.abs(np.subtract.outer(array, values)).argmin(0)
    return array[indices]

Veya giriş skaler ise sayısal tip (ör. İnt, float) döndüren bir sürüm:

def find_nearest(array, values):
    values = np.atleast_1d(values)
    indices = np.abs(np.subtract.outer(array, values)).argmin(0)
    out = array[indices]
    return out if len(out) > 1 else out[0]

İşte @Ari Onasafari, yanıt için SciPy bir sürümü "olduğunu vektörlerin bir dizideki en yakın vektörü bulmak için "

In [1]: from scipy import spatial

In [2]: import numpy as np

In [3]: A = np.random.random((10,2))*100

In [4]: A
Out[4]:
array([[ 68.83402637,  38.07632221],
       [ 76.84704074,  24.9395109 ],
       [ 16.26715795,  98.52763827],
       [ 70.99411985,  67.31740151],
       [ 71.72452181,  24.13516764],
       [ 17.22707611,  20.65425362],
       [ 43.85122458,  21.50624882],
       [ 76.71987125,  44.95031274],
       [ 63.77341073,  78.87417774],
       [  8.45828909,  30.18426696]])

In [5]: pt = [6, 30]  # <-- the point to find

In [6]: A[spatial.KDTree(A).query(pt)[1]] # <-- the nearest point 
Out[6]: array([  8.45828909,  30.18426696])

#how it works!
In [7]: distance,index = spatial.KDTree(A).query(pt)

In [8]: distance # <-- The distances to the nearest neighbors
Out[8]: 2.4651855048258393

In [9]: index # <-- The locations of the neighbors
Out[9]: 9

#then 
In [10]: A[index]
Out[10]: array([  8.45828909,  30.18426696])

Eğer aranacak çok şeyiniz varsa values( valuesçok boyutlu dizi olabilir) @ Dimitri'nin çözümünün hızlı bir vektörize edilmiş hali :

#`values` should be sorted
def get_closest(array, values):
    #make sure array is a numpy array
    array = np.array(array)

    # get insert positions
    idxs = np.searchsorted(array, values, side="left")

    # find indexes where previous index is closer
    prev_idx_is_less = ((idxs == len(array))|(np.fabs(values - array[np.maximum(idxs-1, 0)]) < np.fabs(values - array[np.minimum(idxs, len(array)-1)])))
    idxs[prev_idx_is_less] -= 1

    return array[idxs]

Deneyler

> for@ Demitri çözümü ile bir döngü kullanmaktan 100 kat daha hızlı`

>>> %timeit ar=get_closest(np.linspace(1, 1000, 100), np.random.randint(0, 1050, (1000, 1000)))
139 ms ± 4.04 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

>>> %timeit ar=[find_nearest(np.linspace(1, 1000, 100), value) for value in np.random.randint(0, 1050, 1000*1000)]
took 21.4 seconds

Büyük diziler için @Demitri tarafından verilen (mükemmel) cevap, şu anda en iyi olarak işaretlenen cevaptan çok daha hızlıdır. Tam algoritmasını aşağıdaki iki şekilde uyarladım:

1. Aşağıdaki işlev, giriş dizisinin sıralanıp sıralanmadığına bakar.

2. Aşağıdaki işlev , en genel değere karşılık gelen giriş dizisinin dizinini döndürür , bu da biraz daha geneldir.

Aşağıdaki işlevin, @Demitri tarafından yazılan özgün işlevde hataya yol açacak belirli bir kenar durumunu da ele aldığını unutmayın. Aksi takdirde algoritmam onunkiyle aynıdır.

def find_idx_nearest_val(array, value):
    idx_sorted = np.argsort(array)
    sorted_array = np.array(array[idx_sorted])
    idx = np.searchsorted(sorted_array, value, side="left")
    if idx >= len(array):
        idx_nearest = idx_sorted[len(array)-1]
    elif idx == 0:
        idx_nearest = idx_sorted[0]
    else:
        if abs(value - sorted_array[idx-1]) < abs(value - sorted_array[idx]):
            idx_nearest = idx_sorted[idx-1]
        else:
            idx_nearest = idx_sorted[idx]
    return idx_nearest

Bu unutbu'nun cevabının vectorized bir versiyonudur :

def find_nearest(array, values):
    array = np.asarray(array)

    # the last dim must be 1 to broadcast in (array - values) below.
    values = np.expand_dims(values, axis=-1) 

    indices = np.abs(array - values).argmin(axis=-1)

    return array[indices]


image = plt.imread('example_3_band_image.jpg')

print(image.shape) # should be (nrows, ncols, 3)

quantiles = np.linspace(0, 255, num=2 ** 2, dtype=np.uint8)

quantiled_image = find_nearest(quantiles, image)

print(quantiled_image.shape) # should be (nrows, ncols, 3)

En pitonik yol olacağını düşünüyorum:

 num = 65 # Input number
 array = n.random.random((10))*100 # Given array 
 nearest_idx = n.where(abs(array-num)==abs(array-num).min())[0] # If you want the index of the element of array (array) nearest to the the given number (num)
 nearest_val = array[abs(array-num)==abs(array-num).min()] # If you directly want the element of array (array) nearest to the given number (num)

Temel kod budur. İsterseniz bir işlev olarak kullanabilirsiniz

Tüm cevaplar verimli kod yazmak için bilgi toplamak için faydalıdır. Ancak, çeşitli durumlar için optimize etmek için küçük bir Python betiği yazdım. Sağlanan dizi sıralanırsa en iyi durum bu olacaktır. Belirli bir değerin en yakın noktasının dizininde arama yapılırsa, bisectmodül en çok zaman tasarrufu sağlar. Bir arama indeksler bir diziye karşılık geldiğinde numpy searchsorted, en verimlidir.

import numpy as np
import bisect
xarr = np.random.rand(int(1e7))

srt_ind = xarr.argsort()
xar = xarr.copy()[srt_ind]
xlist = xar.tolist()
bisect.bisect_left(xlist, 0.3)

[63] içinde:% time bisect.bisect_left (xlist, 0.3) CPU süreleri: kullanıcı 0 ns, sys: 0 ns, toplam: 0 ns Duvar süresi: 22.2 µs

np.searchsorted(xar, 0.3, side="left")

[64]:% time np.searchsorted (xar, 0.3, side = "left") CPU süreleri: kullanıcı 0 ns, sys: 0 ns, toplam: 0 ns Duvar süresi: 98.9 µs

randpts = np.random.rand(1000)
np.searchsorted(xar, randpts, side="left")

% time np.searchsorted (xar, randpts, side = "left") CPU süreleri: kullanıcı 4 ms, sys: 0 ns, toplam: 4 ms Duvar süresi: 1.2 ms

Çarpma kuralına uyursak, numpy ~ 100 ms sürmelidir, bu da ~ 83X'i daha hızlı ifade eder.

2d dizisi için, en yakın öğenin i, j konumunu belirlemek için:

import numpy as np
def find_nearest(a, a0):
    idx = (np.abs(a - a0)).argmin()
    w = a.shape[1]
    i = idx // w
    j = idx - i * w
    return a[i,j], i, j

import numpy as np
def find_nearest(array, value):
    array = np.array(array)
    z=np.abs(array-value)
    y= np.where(z == z.min())
    m=np.array(y)
    x=m[0,0]
    y=m[1,0]
    near_value=array[x,y]

    return near_value

array =np.array([[60,200,30],[3,30,50],[20,1,-50],[20,-500,11]])
print(array)
value = 0
print(find_nearest(array, value))

Belki aşağıdakiler için yararlı olabilir ndarrays:

def find_nearest(X, value):
    return X[np.unravel_index(np.argmin(np.abs(X - value)), X.shape)]