我有两个不同形状的numpy数组,但长度(前导维度)相同。我想对它们中的每一个进行混洗,以便相应的元素继续对应--即根据它们的领先索引对它们进行一致的混洗。
这段代码可以工作,并说明了我的目标:
def shuffle_in_unison(a, b):
assert len(a) == len(b)
shuffled_a = numpy.empty(a.shape, dtype=a.dtype)
shuffled_b = numpy.empty(b.shape, dtype=b.dtype)
permutation = numpy.random.permutation(len(a))
for old_index, new_index in enumerate(permutation):
shuffled_a[new_index] = a[old_index]
shuffled_b[new_index] = b[old_index]
return shuffled_a, shuffled_b
例如:
>>> a = numpy.asarray([[1, 1], [2, 2], [3, 3]])
>>> b = numpy.asarray([1, 2, 3])
>>> shuffle_in_unison(a, b)
(array([[2, 2],
[1, 1],
[3, 3]]), array([2, 1, 3]))
然而,这让人感觉笨拙、低效和缓慢,而且它需要制作数组的副本--我宁愿就地处理它们,因为它们将非常大。
有没有更好的方法来解决这个问题呢?更快的执行速度和更低的内存使用率是我的主要目标,但优雅的代码也会很好。
我的另一个想法是:
def shuffle_in_unison_scary(a, b):
rng_state = numpy.random.get_state()
numpy.random.shuffle(a)
numpy.random.set_state(rng_state)
numpy.random.shuffle(b)
这个works...but有点吓人,因为我认为它几乎不能保证它会继续工作--例如,它看起来不像是那种可以保证在numpy版本中存活的东西。
https://stackoverflow.com/questions/4601373
复制相似问题