كيفية حساب عدد عناصر True في مصفوفة NumPy منطقية

لديك خيارات متعددة. خيارين كالآتي.

boolarr.sum()
numpy.count_nonzero(boolarr)

هذا مثال

>>> 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)

>>> boolarr.sum()
5

بالطبع ، هذه إجابة محددة ل  bool.

بشكل عام ، يمكنك استخدام  numpy.count_nonzero.

>>> np.count_nonzero(boolarr)
5

ببساة يمكنك استخدام التابع sum فكما نعلم أن هذا التابع يقوم بحساب مجموع قيم مصفوفة ما، لكن إذا طبقته على مصفوفة بوليانية سيقوم بعد عدد مرات ظهور القيمة True :

a=np.array([True,True,True,False,False])
sum(a)
# 3
# أما في حالة كانت المصفوفة متعددة الأبعاد
a=np.array([[True,True,True,False,False],[True,True,True,False,False]])
sum(a.ravel())
# 6
# أي يجب تسطيح المصفوفة إذا كانت بأكثر من بعد

أو ببساطة متناهية:

a=np.array([[True,True,True,False,False],[True,True,True,False,False]])
a[a].size

حيث أن ناتج a[a] هو:

array([ True,  True,  True,  True,  True,  True])

أي فقط القيم التي تعطي True من a. أو من خلال التابع np.count_nonzero(array) :

np.count_nonzero(a) # 6

أو من خلال التابع sum في نمباي:

a.sum()

أو من خلال استخدام التابع bicount من نمباي:

arr=np.array([False, True, True, True, False, True, False, True, True])
#false وعدد ال true سيقوم بحساب عدد ال
bin_arr = np.bincount(arr)
bin_arr # array([3, 6])
#True لاستخلاص عدد ال
bin_arr[1] # 6

للمقارنة:

a=np.array([[True,True,True,False,False]*100])
%timeit a[a].size
%timeit sum(a.ravel())
%timeit np.count_nonzero(a)
%timeit a.sum()
%timeit np.bincount(a.ravel())
"""
The slowest run took 23.84 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 5: 1.82 µs per loop
1000 loops, best of 5: 1.14 ms per loop
The slowest run took 19.70 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 5: 975 ns per loop
The slowest run took 27.08 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 5: 2.98 µs per loop
The slowest run took 67.31 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 5: 2.62 µs per loop
"""