我有以下的deque对象:
test = deque([np.zeros((4,1,1))+0.5] * 25)
所以有25个不同形状的数组,我将在对象中添加,在另一端弹出旧的,等等。
在某些情况下,我会想要选择我的deque中的一个元素子集:
>>> idx = np.round(np.linspace(0, 20, 4, dtype='int'))
>>> idx
array([ 0, 6, 13, 20])
所以我想要这些索引。我试过了:
>>> test[idx]
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
TypeError: only integer scalar arrays can be converted to a scalar index
也许deque不支持这种类型的索引操作。如何轻松(高效)从test
获取idx
中的元素列表?
编辑--
更多关于我最初目标的信息。我有一个3Dnumpy数组的列表,即(N, H,W,3)
,并且我实时地将一个新的3D数组移动到N
的列表中,即一个大小为(H,W,3)
的新数组被移位(类似于队列)到N的列表中。
如果所有东西都只有一个形状模糊的(N, H,W,3)
数组就好了,但是我不知道如何获得高效的队列功能,所以我选择了deque
。
发布于 2018-06-24 05:32:51
为了直接回答您的问题,您可以使用可迭代的索引对一个双队列进行索引,方法与使用list - [test[i] for i in idx]
相同。但是双峰随机查找是O(n)
的(对于较大的双峰可能更重要),如果你想对双峰进行NumPy风格的索引,你将无法做到。从你的问题描述来看,听起来也像是在寻找一个环形缓冲区。
因此,使用NumPy可能是一个更好的主意(对于更大的deque大小来说也更有效),而不是deque。
现在,您可以在ndarray周围滚动自己的类似deque的环形缓冲区接口类,该ndarray管理缓冲区的大小、左/右索引等。或者Eric Weiser已经发布了numpy_ringbuffer
,它似乎非常适合您的问题。
演示
In [83]: from numpy_ringbuffer import RingBuffer
In [84]: # RingBuffer w/ capacity 3, extra dimensions (2, 2)
...: r = RingBuffer(capacity=3, dtype=(float, (2, 2)))
In [85]: # fill our buffer up
...: r.extendleft(np.arange(12, dtype=float).reshape(3, 2, 2))
In [86]: r.is_full
Out[86]: True
In [87]: r
Out[87]:
<RingBuffer of array([[[ 0., 1.],
[ 2., 3.]],
[[ 4., 5.],
[ 6., 7.]],
[[ 8., 9.],
[10., 11.]]])>
In [88]: r.appendleft(np.arange(12, 16).reshape(2, 2))
In [89]: r
Out[89]:
<RingBuffer of array([[[12., 13.],
[14., 15.]],
[[ 0., 1.],
[ 2., 3.]],
[[ 4., 5.],
[ 6., 7.]]])>
你可以在append
,extend
,pop
和left版本中获得最小的deque界面。您还可以在基础数组上使用NumPy索引。
In [90]: r[[0, 2]]
Out[90]:
array([[[12., 13.],
[14., 15.]],
[[ 4., 5.],
[ 6., 7.]]])
与NumPy中幼稚的类deque操作相比,它会快得多,因为它只是在任何可能的地方操作左/右索引。
In [91]: arr = np.random.randn(10**7).reshape(10**5, 10, 10)
In [92]: r = RingBuffer(capacity=arr.shape[0],
...: dtype=(float, arr.shape[1:]))
...:
In [93]: %%timeit r.extendleft(arr); s = np.random.randn(10, 10)
...: r.appendleft(s)
...: r.append(s)
...:
4.08 µs ± 66.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [94]: %%timeit A=arr.copy(); s = np.random.randn(10, 10)
...: A[1:] = A[:-1]
...: A[0] = s
...: A[:-1] = A[1:]
...: A[-1] = s
...:
91.5 ms ± 231 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)
https://stackoverflow.com/questions/51004753
复制相似问题