如何计算NumPy bool数组中真实元素的数量

180

我有一个布尔类型的NumPy数组'boolarr'。我想计算其值为的元素的数量True。是否有专门用于此任务的NumPy或Python例程？或者，是否需要遍历脚本中的元素？

— 诺里奥
source

4

对于熊猫：stackoverflow.com/questions/26053849/…–

— 私人

261

您有多种选择。以下是两个选项。

numpy.sum(boolarr)
numpy.count_nonzero(boolarr)

这是一个例子：

>>> import numpy as np
>>> boolarr = np.array([[0, 0, 1], [1, 0, 1], [1, 0, 1]], dtype=np.bool)
>>> boolarr
array([[False, False,  True],
       [ True, False,  True],
       [ True, False,  True]], dtype=bool)

>>> np.sum(boolarr)
5

当然，这是一个bool特定的答案。通常，您可以使用numpy.count_nonzero。

>>> np.count_nonzero(boolarr)
5

— 大卫·阿尔伯
source

2

谢谢大卫。他们看起来很整洁。关于带有sum（..）的方法，在python中（或至少在numpy中）True是否始终等于1？如果不能保证，我将事先添加一个检查，如果True == 1 ：。不幸的是，关于count_nonzero（..），它似乎没有在1.5.1版的numpy模块中实现，但是将来我可能有机会使用它。

— norio

4

@norio关于bool：布尔值在算术运算中被视为1和0。请参阅Python标准库文档中的“ 布尔值 ”。请注意，NumPy bool和Python bool不同，但是它们是兼容的（有关更多信息，请参见此处）。

— David Alber

1

@norio关于numpy.count_nonzero不在NumPy v1.5.1中：您是对的。根据此发行公告，它已在NumPy v1.6.0中添加。

— David Alber

25

FWIW，numpy.count_nonzero至少在我的Python解释器中快了大约一千倍。 python -m timeit -s "import numpy as np; bools = np.random.uniform(size=1000) >= 0.5" "np.count_nonzero(bools)"vs.python -m timeit -s "import numpy as np; bools = np.random.uniform(size=1000) >= 0.5" "sum(bools)"

— chbrown

6

@chbrown你是对的。但是您应该比较一下np.sum(bools)！但是，np.count_nonzero(bools)仍然快12倍左右。

— 2015年

29

这个问题为我解决了一个非常类似的问题，我认为我应该分享：

在原料Python中，你可以使用sum()计算True的值list：

>>> sum([True,True,True,False,False])
3

但这不起作用：

>>> sum([[False, False, True], [True, False, True]])
TypeError...

— 纪尧姆·根德（Guillaume Gendre）
source

您应该先“拉平”阵列的阵列。不幸的是，没有内置的方法，请参阅stackoverflow.com/questions/2158395/...

— 托米chheng

2

谢谢纪尧姆！也可以与Pandas数据框一起使用。

— JJFord3'1

4

在比较两个numpy数组并计算匹配数（例如机器学习中正确的类预测）方面，我发现以下两个维度的示例很有用：

import numpy as np
result = np.random.randint(3,size=(5,2)) # 5x2 random integer array
target = np.random.randint(3,size=(5,2)) # 5x2 random integer array

res = np.equal(result,target)
print result
print target
print np.sum(res[:,0])
print np.sum(res[:,1])

可以扩展到D尺寸。

结果是：

预测：

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

目标：

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

D = 1的正确预测计数： 1

D = 2的正确预测计数： 2

— Salehinejad
source

3

如果您希望按行进行计数，请提供axis=1给sum：

boolarr
# array([[False, False,  True],
#        [ True, False,  True],
#        [ True, False,  True]], dtype=bool)

boolarr.sum(axis=1)
# array([1, 2, 2])

同样，使用np.count_nonzero：

np.count_nonzero(boolarr, axis=1)
# array([1, 2, 2])

— cs95
source