dask.array.isin

dask.array.isin¶

dask.array.isin(element, test_elements, assume_unique=False, invert=False, *, kind=None)¶

计算 element in test_elements，仅对 element 进行广播。返回一个与 element 形状相同的布尔数组，其中 element 的元素在 test_elements 中为 True，否则为 False。

参数

元素array_like

输入数组。

测试元素array_like

用于测试 element 中每个值的值。如果此参数是数组或类似数组的对象，则会被展平。有关非数组类参数的行为，请参见注释。

assume_uniquebool, 可选

如果为 True，则假定输入数组都是唯一的，这可以加快计算速度。默认值为 False。

反转bool, 可选

如果为True，返回数组中的值将被反转，就像计算 element not in test_elements 一样。默认是False。np.isin(a, b, invert=True) 等价于（但比）``np.invert(np.isin(a, b))`` 更快。

种类{None, ‘sort’, ‘table’}, 可选

要使用的算法。这不会影响最终结果，但会影响速度和内存使用。默认值 None 会根据内存考虑自动选择。

如果使用 ‘sort’，将采用基于归并排序的方法。这将占用大约 element 和 test_elements 大小总和的 6 倍内存，不包括 dtypes 的大小。
如果为 ‘table’，将使用类似于计数排序的查找表方法。这仅适用于布尔和整数数组。这将占用 element 大小的内存加上 test_elements 的最大-最小值。当使用 ‘table’ 选项时，assume_unique 无效。
如果为 None，将自动选择 ‘table’ 如果所需的内存分配小于或等于 element 和 test_elements 大小之和的 6 倍，否则将使用 ‘sort’。这样做是为了默认情况下不使用大量内存，尽管在大多数情况下 ‘table’ 可能更快。如果选择了 ‘table’，assume_unique 将无效。

返回

isinndarray, bool: 与 element 具有相同的形状。element[isin] 的值在 test_elements 中。

注释

isin 是 Python 关键字 in 的逐元素函数版本。isin(a, b) 大致等同于 np.array([item in b for item in a]) 如果 a 和 b 是 1-D 序列。

如果 element 和 test_elements 还不是数组，它们将被转换为数组。如果 test_elements 是一个集合（或其他非序列集合），它将被转换为一个包含一个元素的对象数组，而不是包含 test_elements 中值的数组。这是 array 构造函数处理非序列集合的方式的结果。通常将集合转换为列表会得到所需的行为。

如果以下关系成立，使用 kind='table' 通常比 kind=’sort’ 更快：log10(len(test_elements)) > (log10(max(test_elements)-min(test_elements)) - 2.27) / 0.927，但可能会使用更多内存。kind 的默认值将仅基于内存使用情况自动选择，因此如果可以放宽内存限制，可以手动设置 kind='table'。

1.13.0 新版功能.

示例

>>> import numpy as np
>>> element = 2*np.arange(4).reshape((2, 2))
>>> element
array([[0, 2],
       [4, 6]])
>>> test_elements = [1, 2, 4, 8]
>>> mask = np.isin(element, test_elements)
>>> mask
array([[False,  True],
       [ True, False]])
>>> element[mask]
array([2, 4])

可以使用 nonzero 获取匹配值的索引：

>>> np.nonzero(mask)
(array([0, 1]), array([1, 0]))

测试也可以反转：

>>> mask = np.isin(element, test_elements, invert=True)
>>> mask
array([[ True, False],
       [False,  True]])
>>> element[mask]
array([0, 6])

由于 array 处理集合的方式，以下内容无法按预期工作：

>>> test_set = {1, 2, 4, 8}
>>> np.isin(element, test_set)
array([[False, False],
       [False, False]])

将集合转换为列表会得到预期的结果：

>>> np.isin(element, list(test_set))
array([[False,  True],
       [ True, False]])

dask.array.isfinite

dask.array.isinf