Numpy如何截取二维数组的非零值

在本文中，我们将介绍如何使用Numpy将二维数组截取到非零值。在实际生活中，我们经常需要处理和分析大量的数据，而这些数据中包含了很多无效或者无意义的零值，对于数据的分析和处理，这些零值无疑会造成一定的干扰，因此截取非零值可以帮助我们更好地处理数据。

阅读更多：Numpy 教程

什么是Numpy

Numpy是Python科学计算的核心库，提供了高性能的多维数组对象以及科学计算函数。在使用Numpy时，我们通常需要导入该库并取别名“np”。

import numpy as np

在使用Numpy进行截取非零值时，我们需要使用到几个Numpy中的函数，它们分别是：

numpy.argwhere

该函数可以用来找到数组中非零元素的索引，并以元组的形式返回所有非零元素的索引。

import numpy as np

a = np.array([[0, 1, 0],
              [1, 0, 0],
              [0, 0, 1]])

print(np.argwhere(a))

输出为：

[[0 1]
 [1 0]
 [2 2]]

numpy.minimize

该函数可以用来计算多元函数的最小值，并返回最小值所在的坐标。

import numpy as np

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

def loss(parameters):
    a, b = parameters
    return np.mean((y - (a * x + b)) ** 2)

result = minimize(loss, [0, 0])

print(result.x)

输出为：

array([1.00000005, 0.99999998])

numpy.ix_

该函数可以将多个一维数组转换为一个用于多维数组索引的元组。

import numpy as np

a = np.arange(6)
b = np.arange(3)

print(np.ix_(a, b))

输出为：

(array([[0],
       [1],
       [2],
       [3],
       [4],
       [5]]),
 array([[0, 1, 2]]))

如何截取非零值

截取一个二维数组的非零值，可以使用上述函数的组合来实现。下面是具体的实现过程：

使用 numpy.argwhere 找到数组中所有非零元素的索引。

import numpy as np

a = np.array([[0, 1, 0],
              [1, 0, 0],
              [0, 0, 1]])

idx = np.argwhere(a)

分别取出所有非零元素所在的行和列，并使用 numpy.minimize 计算每一行和每一列中第一个非零元素所在的索引，并将它们作为左上角点和右下角点重新构造一个新的二维数组。

import numpy as np
from scipy.optimize import minimize

a = np.array([[0, 1, 0],
              [1, 0, 0],
              [0, 0, 1]])

idx = np.argwhere(a)
x_indices = idx[:, 0]
y_indices = idx[:, 1]

left_top = np.array([minimize(lambda x: x_indices[i] + y_indices[i] + x[0] * x_indices[i] + x[1] * y_indices[i], [0, 0], bounds=((-1, 1), (-1, 1))).x for i in range(len(idx))])
right_bottom = np.array([minimize(lambda x: x_indices[i] + y_indices[i] + x[0] * x_indices[i] + x[1] * y_indices[i], [0, 0], bounds=((-1, 1), (-1, 1))).x for i in range(len(idx))])

cropped_array = np.zeros((right_bottom[:, 0].max() - left_top[:, 0].min() + 1, right_bottom[:, 1].max() - left_top[:, 1].min() + 1))

for i in range(len(idx)):
    cropped_array[left_top[i, 0]:right_bottom[i, 0]+1, left_top[i, 1]:right_bottom[i, 1]+1] = a[idx[i, 0]:idx[i, 0]+1, idx[i, 1]:idx[i, 1]+1]

我们可以输出结果来验证是否截取到了非零值的部分。

import numpy as np
from scipy.optimize import minimize

a = np.array([[0, 1, 0],
              [1, 0, 0],
              [0, 0, 1]])

idx = np.argwhere(a)
x_indices = idx[:, 0]
y_indices = idx[:, 1]

left_top = np.array([minimize(lambda x: x_indices[i] + y_indices[i] + x[0] * x_indices[i] + x[1] * y_indices[i], [0, 0], bounds=((-1, 1), (-1, 1))).x for i in range(len(idx))])
right_bottom = np.array([minimize(lambda x: x_indices[i] + y_indices[i] + x[0] * x_indices[i] + x[1] * y_indices[i], [0, 0], bounds=((-1, 1), (-1, 1))).x for i in range(len(idx))])

cropped_array = np.zeros((right_bottom[:, 0].max() - left_top[:, 0].min() + 1, right_bottom[:, 1].max() - left_top[:, 1].min() + 1))

for i in range(len(idx)):
    cropped_array[left_top[i, 0]:right_bottom[i, 0]+1, left_top[i, 1]:right_bottom[i, 1]+1] = a[idx[i, 0]:idx[i, 0]+1, idx[i, 1]:idx[i, 1]+1]

print(cropped_array)

输出为：