В Python у меня есть ndarray y который печатается как array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
Я пытаюсь подсчитать, сколько 0 и сколько 1 в этом массиве.
Но когда я y.count(0) или y.count(1), он говорит:
Объект
numpy.ndarrayне имеет атрибутаcount
Что я должен делать?
>>> a = numpy.array([0, 3, 0, 1, 0, 1, 2, 1, 0, 0, 0, 0, 1, 3, 4])
>>> unique, counts = numpy.unique(a, return_counts=True)
>>> dict(zip(unique, counts))
{0: 7, 1: 4, 2: 1, 3: 2, 4: 1}
Non-numpy way:
Использовать collections.Counter
>> import collections, numpy
>>> a = numpy.array([0, 3, 0, 1, 0, 1, 2, 1, 0, 0, 0, 0, 1, 3, 4])
>>> collections.Counter(a)
Counter({0: 7, 1: 4, 3: 2, 2: 1, 4: 1})
Как насчет использования numpy.count_nonzero, что-то вроде
>>> import numpy as np
>>> y = np.array([1, 2, 2, 2, 2, 0, 2, 3, 3, 3, 0, 0, 2, 2, 0])
>>> np.count_nonzero(y == 1)
1
>>> np.count_nonzero(y == 2)
7
>>> np.count_nonzero(y == 3)
3
Лично я бы пошел:
(y == 0).sum() и (y == 1).sum()
например.
import numpy as np
y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
num_zeros = (y == 0).sum()
num_ones = (y == 1).sum()
В вашем случае вы также можете посмотреть numpy.bincount
In [56]: a = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
In [57]: np.bincount(a)
Out[57]: array([8, 4]) #count of zeros is at index 0 : 8
#count of ones is at index 1 : 4
Преобразуйте массив y в список l, а затем выполните l.count(1) и l.count(0)
>>> y = numpy.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
>>> l = list(y)
>>> l.count(1)
4
>>> l.count(0)
8
y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
Если вы знаете, что они просто 0 и 1:
np.sum(y)
дает вам количество единиц. np.sum(1-y) дает нули.
Для небольшой общности, если вы хотите считать 0, а не ноль (но возможно 2 или 3):
np.count_nonzero(y)
дает число отличных от нуля.
Но если вам нужно что-то более сложное, я не думаю, что numpy предоставит приятную опцию count. В этом случае перейдите в коллекции:
import collections
collections.Counter(y)
> Counter({0: 8, 1: 4})
Это ведет себя как dict
collections.Counter(y)[0]
> 8
Если вы точно знаете, какой номер вы ищете, вы можете использовать следующее:
lst = np.array([1,1,2,3,3,6,6,6,3,2,1])
(lst == 2).sum()
возвращает количество раз 2 в вашем массиве.
Как насчет len(y[y==0]) и len(y[y==1])?
y.tolist().count(val)
с val 0 или 1
Так как список python имеет собственную функцию count, преобразование в список перед использованием этой функции является простым решением.
Честно говоря, мне легче всего перейти в серию pandas или DataFrame:
import pandas as pd
import numpy as np
df = pd.DataFrame({'data':np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])})
print df['data'].value_counts()
Или этот приятный однострочный фильм, предложенный Робертом Мюилом:
pd.Series([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1]).value_counts()
Еще одним простым решением может быть использование numpy.count_nonzero():
import numpy as np
y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
y_nonzero_num = np.count_nonzero(y==1)
y_zero_num = np.count_nonzero(y==0)
y_nonzero_num
4
y_zero_num
8
Не позволяйте названию вводить вас в заблуждение, если вы используете его с логическим, как в примере, он сделает трюк.
Чтобы подсчитать количество вхождений, вы можете использовать np.unique(array, return_counts=True):
In [75]: boo = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
# use bool value 'True' or equivalently '1'
In [77]: uniq, cnts = np.unique(boo, return_counts=1)
In [81]: uniq
Out[81]: array([0, 1]) #unique elements in input array are: 0, 1
In [82]: cnts
Out[82]: array([8, 4]) # 0 occurs 8 times, 1 occurs 4 times
Никто не предлагал использовать numpy.bincount(input, minlength) с minlength = np.size(input), но он кажется хорошим решением и, безусловно, самым быстрым:
In [1]: choices = np.random.randint(0, 100, 10000)
In [2]: %timeit [ np.sum(choices == k) for k in range(min(choices), max(choices)+1) ]
100 loops, best of 3: 2.67 ms per loop
In [3]: %timeit np.unique(choices, return_counts=True)
1000 loops, best of 3: 388 µs per loop
In [4]: %timeit np.bincount(choices, minlength=np.size(choices))
100000 loops, best of 3: 16.3 µs per loop
Это безумное ускорение между numpy.unique(x, return_counts=True) и numpy.bincount(x, minlength=np.max(x)) !
Я бы использовал np.where:
how_many_0 = len(np.where(a==0.)[0])
how_many_1 = len(np.where(a==1.)[0])
Вы можете использовать понимание словаря для создания аккуратного однострочного слоя. Подробнее о понимании слова можно найти здесь
>>>counts = {int(value): list(y).count(value) for value in set(y)}
>>>print(counts)
{0: 8, 1: 4}
Это создаст словарь со значениями в вашем ndarray как ключи и значениями значений в качестве значений для ключей соответственно.
Это будет работать, когда вы хотите подсчитать количество значений в массивах этого формата.
Это можно сделать легко следующим способом
y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
y.tolist().count(1)
Общий и простой ответ:
numpy.sum(MyArray==x) # sum of a binary list of the occurence of x (=0 or 1) in MyArray
что привело бы к этому полному коду как пример
import numpy
MyArray=numpy.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1]) # array we want to search in
x=0 # the value I want to count (can be iterator, in a list, etc.)
numpy.sum(MyArray==0) # sum of a binary list of the occurence of x in MyArray
Теперь, если MyArray находится в нескольких измерениях, и вы хотите подсчитать наличие распределения значений в строке (= шаблон в дальнейшем)
MyArray=numpy.array([[6, 1],[4, 5],[0, 7],[5, 1],[2, 5],[1, 2],[3, 2],[0, 2],[2, 5],[5, 1],[3, 0]])
x=numpy.array([5,1]) # the value I want to count (can be iterator, in a list, etc.)
temp = numpy.ascontiguousarray(MyArray).view(numpy.dtype((numpy.void, MyArray.dtype.itemsize * MyArray.shape[1]))) # convert the 2d-array into an array of analyzable patterns
xt=numpy.ascontiguousarray(x).view(numpy.dtype((numpy.void, x.dtype.itemsize * x.shape[0]))) # convert what you search into one analyzable pattern
numpy.sum(temp==xt) # count of the searched pattern in the list of patterns
Поскольку ваш ndarray содержит только 0 и 1, вы можете использовать sum(), чтобы получить появление 1s и len() - sum(), чтобы получить вхождение 0s.
num_of_ones = sum(array)
num_of_zeros = len(array)-sum(array)
У вас есть специальный массив только с 1 и 0 здесь. Так что хитрость заключается в использовании
np.mean(x)
который дает вам процент 1 с в вашем массиве. В качестве альтернативы используйте
np.sum(x)
np.sum(1-x)
даст вам абсолютное число 1 и 0 в вашем массиве.
использовать методы, предлагаемые серией:
>>> import pandas as pd
>>> y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
>>> pd.Series(y).value_counts()
0 8
1 4
dtype: int64
Он включает в себя еще один шаг, но более гибкое решение, которое также будет работать для 2d-массивов и более сложных фильтров, - это создание булевой маски, а затем использование маски .sum() в маске.
>>>>y = np.array([0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1])
>>>>mask = y == 0
>>>>mask.sum()
8
Если вы не хотите использовать numpy или модуль коллекций, вы можете использовать словарь:
d = dict()
a = [0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1]
for item in a:
try:
d[item]+=1
except KeyError:
d[item]=1
результат:
>>>d
{0: 8, 1: 4}
Конечно, вы также можете использовать оператор if/else. Я думаю, что функция Counter работает почти так же, но это более прозрачно.
Для общих записей:
x = np.array([11, 2, 3, 5, 3, 2, 16, 10, 10, 3, 11, 4, 5, 16, 3, 11, 4])
n = {i:len([j for j in np.where(x==i)[0]]) for i in set(x)}
ix = {i:[j for j in np.where(x==i)[0]] for i in set(x)}
Выведет счет:
{2: 2, 3: 4, 4: 2, 5: 2, 10: 2, 11: 3, 16: 2}
И индексы:
{2: [1, 5],
3: [2, 4, 9, 14],
4: [11, 16],
5: [3, 12],
10: [7, 8],
11: [0, 10, 15],
16: [6, 13]}
dict(zip(*numpy.unique(y, return_counts=True)))
Только что скопировал комментарий Сеппо Энарви, который заслуживает правильного ответа
У Numpy есть модуль для этого. Просто небольшой взлом. Поместите ваш массив ввода в виде корзин.
numpy.histogram(y, bins=y)
Выходные данные - 2 массива. Один с самими значениями, другие с соответствующими частотами.
using numpy.count
$ a = [0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1]
$ np.count(a, 1)
wtf kkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkkk