проверить, имеет ли массив numpy 0 на всех своих границах [закрыто]

Какой самый быстрый способ проверить, имеет ли многомерный массив с нулевыми значениями 0 со всех сторон?

Итак, для простого примера 2D, у меня есть:

x = np.random.rand(5, 5)
assert np.sum(x[0:,  0]) == 0
assert np.sum(x[0,  0:]) == 0
assert np.sum(x[0:, -1]) == 0
assert np.sum(x[-1, 0:]) == 0

Хотя для 2D-случаев это нормально, писать для более высоких измерений немного утомительно, и мне было интересно, есть ли какой-нибудь умный хитрый прием, который я могу использовать здесь, чтобы сделать его эффективным и более удобным в обслуживании.

Вот как вы можете это сделать:

assert(all(np.all(np.take(x, index, axis=axis) == 0)
           for axis in range(x.ndim)
           for index in (0, -1)))

np.take делает то же самое, что и "модная" индексация.

Вот ответ, который на самом деле исследует части интересующего вас массива и не тратит время на создание маски размером всего массива. Есть цикл уровня Python, но он короткий, с итерациями, пропорциональными количеству измерений, а не размеру массива.

def all_borders_zero(array):
    if not array.ndim:
        raise ValueError("0-dimensional arrays not supported")
    for dim in range(array.ndim):
        view = numpy.moveaxis(array, dim, 0)
        if not (view[0] == 0).all():
            return False
        if not (view[-1] == 0).all():
            return False
    return True

Я изменил массив, а затем повторил его. К сожалению, мой ответ предполагает, что у вас есть по крайней мере три измерения, и вы получите ошибку для нормальных матриц, вам придется добавить специальное предложение для 1 и 2-мерных массивов. Кроме того, это будет медленно, так что, вероятно, есть лучшие решения.

x = np.array(
        [
            [
                [0 , 1, 1, 0],
                [0 , 2, 3, 0],
                [0 , 4, 5, 0]
            ],
            [
                [0 , 6, 7, 0],
                [0 , 7, 8, 0],
                [0 , 9, 5, 0]
            ]
        ])

xx = np.array(
        [
            [
                [0 , 0, 0, 0],
                [0 , 2, 3, 0],
                [0 , 0, 0, 0]
            ],
            [
                [0 , 0, 0, 0],
                [0 , 7, 8, 0],
                [0 , 0, 0, 0]
            ]
        ])

def check_edges(x):

    idx = x.shape
    chunk = np.prod(idx[:-2])
    x = x.reshape((chunk*idx[-2], idx[-1]))
    for block in range(chunk):
        z = x[block*idx[-2]:(block+1)*idx[-2], :]
        if not np.all(z[:, 0] == 0):
            return False
        if not np.all(z[:, -1] == 0):
            return False
        if not np.all(z[0, :] == 0):
            return False
        if not np.all(z[-1, :] == 0):
            return False

    return True

Который будет производить

>>> False
>>> True

В основном я укладываю все размеры друг на друга, а затем просматриваю их, чтобы проверить их края.

возможно, вы ищете оператор многоточия, который будет работать для многих измерений:

import numpy as np

# data
x = np.random.rand(2, 5, 5)
x[..., 0:, 0] = 0
x[..., 0, 0:] = 0
x[..., 0:, -1] = 0
x[..., -1, 0:] = 0

test = np.all(
    [
        np.all(x[..., 0:, 0] == 0),
        np.all(x[..., 0, 0:] == 0),
        np.all(x[..., 0:, -1] == 0),
        np.all(x[..., -1, 0:] == 0),
    ]
)

print(test)

Вы можете использовать sliceи логическое маскирование для выполнения работы:

def get_borders(arr):
    s=tuple(slice(1,i-1) for i in a.shape)
    mask = np.ones(arr.shape, dtype=bool)
    mask[s] = False
    return(arr[mask])

Эта функция сначала формирует «ядро» массива в кортеж s, а затем создает маску, которая отображается Trueтолько для граничных точек. Затем логическое индексирование доставляет граничные точки.

Рабочий пример:

a = np.arange(16).reshape((4,4))

print(a)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

borders = get_borders(a)
print(borders)
array([ 0,  1,  2,  3,  4,  7,  8, 11, 12, 13, 14, 15])

Затем, np.all(borders==0)даст вам необходимую информацию.

Примечание: это ломается для одномерных массивов, хотя я рассматриваю их как крайний случай. Тебе, наверное, лучше просто проверить эти два вопроса