Настройка
Рассмотрим массив numpy a
>>> np.random.seed([3,1415])
>>> a = np.random.choice([True, False], (4, 8))
>>> a
array([[ True, False, True, False, True, True, False, True],
[False, False, False, False, True, False, False, True],
[False, True, True, True, True, True, True, True],
[ True, True, True, False, True, False, False, False]], dtype=bool)
Вопрос
Для каждого столбца я хочу определить кумулятивный эквивалент для всех.
Результат должен выглядеть так:
array([[ True, False, True, False, True, True, False, True],
[False, False, False, False, True, False, False, True],
[False, False, False, False, True, False, False, True],
[False, False, False, False, True, False, False, False]], dtype=bool)
Возьмите первый столбец
a[: 0]
# Original First Column
array([ True, False, False, True], dtype=bool)
# So far so good
# \ False from here on
# | /---------------\
array([ True, False, False, False], dtype=bool)
# Cumulative all
Итак, в совокупности все True
, пока у нас есть True
, и затем False
отбрасывает на первом False
Что я пробовал
Я могу получить результат с помощью
a.cumprod(0).astype(bool)
Но я не могу не задаться вопросом, нужно ли его выполнять каждое умножение, когда я знаю, что все будет False
из первого False
, который я вижу.
Рассмотрим более крупный 1-D массив
b = np.array(list('111111111110010101010101010101010101010011001010101010101')).astype(int).astype(bool)
Я утверждаю, что эти два дают тот же ответ
bool(b.prod())
и
b.all()
Но b.all()
может быть короткое замыкание, а b.prod()
- нет. Если я их буду:
%timeit bool(b.prod())
%timeit b.all()
100000 loops, best of 3: 2.05 µs per loop
1000000 loops, best of 3: 1.45 µs per loop
b.all()
выполняется быстрее. Это подразумевает, что мне нужен способ провести кумулятивное все, что быстрее, чем мой a.cumprod(0).astype(bool)