如何有效地获取唯一值的索引列表？

Question

是否有一个内置的方法可以帮助我有效地实现以下内容：给定一个数组，我需要一个数组列表，每个列表的索引都指向数组的不同唯一值？

如果f是所需要的功能，

b = f(a) 

和

u, idxs = unique(a) 

然后

b[i] == where(idxs==i)[0] 

我知道pandas.Series.groupby()可以做到这一点，但它可能不会是有效的当有超过10^5个独特整数时创建一个字典。

Answer 1

如果你有numpy的> = 1.9，你可以这样做：

>>> a = np.random.randint(5, size=10) 
>>> a 
array([0, 2, 4, 4, 2, 4, 4, 3, 2, 1]) 
>>> unq, unq_inv, unq_cnt = np.unique(a, return_inverse=True, return_counts=True) 
>>> np.split(np.argsort(unq_inv), np.cumsum(unq_cnt[:-1])) 
[array([0]), array([9]), array([1, 4, 8]), array([7]), array([2, 3, 5, 6])] 
>>> unq 
array([0, 1, 2, 3, 4]) 

在早期版本中，你可以得到做一个额外的计数：

>>> unq_cnt = np.bincount(unq_inv) 

此外，如果您想确保每个值的索引都已排序，我认为您需要使用稳定的排序，例如np.argsort(unq_inv, kind='mergesort')

---

你似乎什么是后的思考，我认为这是减少呼叫昂贵的功能，我不认为你需要做你的要求。说你的函数平方，你可以简单地做：

>>> unq, unq_inv = np.unique(a, return_inverse=True) 
>>> f_unq = unq**2 
>>> f_a = f_unq[unq_inv] 
>>> a 
array([0, 2, 4, 4, 2, 4, 4, 3, 2, 1]) 
>>> f_a 
array([ 0, 4, 16, 16, 4, 16, 16, 9, 4, 1]) 

Answer 2

也许这样做：

s = argsort(a) 
d = diff(a[s]) 
starts = where(d)[0] 
f = [s[starts[i:i+1]] for i in xrange(len(a))] 

（代码未被选中）

Answer 3

def foo(a): 
    I=np.arange(a.shape[0]) 
    d={} 
    while a.shape[0]: 
    x = a[0] 
    ii = a==x 
    d[x] = I[ii] 
    a = a[~ii] 
    I = I[~ii] 
    return d 

In [767]: a 
Out[767]: array([4, 4, 3, 0, 0, 2, 1, 1, 0, 3]) 

In [768]: foo(a) 
Out[768]: 
{0: array([3, 4, 8]), 
1: array([6, 7]), 
2: array([5]), 
3: array([2, 9]), 
4: array([0, 1])} 

这是不是你想要的那种字典？

对于小型a这工作正常。

等效字典建筑功能为：

def foo1(a): 
    unq = np.unique(a) 
    return {i:np.where(a==i)[0] for i in unq} 

副手我看不出unq_inv有助于构建字典。

foo比foo1慢大约30％。我希望通过减少被搜索的数组，每次计算一个值，我可能会获得一些速度。但它看起来像额外的簿记咀嚼时间。并且where时间可能不会对a的长度敏感。

对于a2=np.random.randint(5000,size=100000)运行时间约为2-3秒。

但np.random.randint(50000,size=1000000)花费时间太长（对于任一版本）。

---

在进一步的实验，使用collections.defaultdict一个 '哑' 的方法要快得多（20X）：

def food(a): 
    d = defaultdict(list) 
    for i,j in enumerate(a): 
     d[j].append(i) 
    return d 

的 '过大'（1000000）阵列只需要1.1秒;