controlla se un array numpy ha 0 su tutti i suoi bordi [chiuso]

Quale sarebbe il modo più veloce per verificare se un array numpy multidimensionale ha 0 su tutti i lati.

Quindi, per un semplice esempio 2D, ho:

x = np.random.rand(5, 5)
assert np.sum(x[0:,  0]) == 0
assert np.sum(x[0,  0:]) == 0
assert np.sum(x[0:, -1]) == 0
assert np.sum(x[-1, 0:]) == 0

Mentre questo va bene per i casi 2D a destra, scrivere per dimensioni più alte è un po 'noioso e mi chiedevo se ci sia qualche trucco intelligente e insipido che posso usare qui per renderlo efficiente e anche più mantenibile.

Ecco come puoi farlo:

assert(all(np.all(np.take(x, index, axis=axis) == 0)
           for axis in range(x.ndim)
           for index in (0, -1)))

np.take fa la stessa cosa dell'indicizzazione "fantasia".

Ecco una risposta che esamina effettivamente le parti dell'array che ti interessano e non perde tempo a costruire una maschera delle dimensioni dell'intero array. C'è un loop a livello di Python, ma è breve, con iterazioni proporzionali al numero di dimensioni anziché alle dimensioni dell'array.

def all_borders_zero(array):
    if not array.ndim:
        raise ValueError("0-dimensional arrays not supported")
    for dim in range(array.ndim):
        view = numpy.moveaxis(array, dim, 0)
        if not (view[0] == 0).all():
            return False
        if not (view[-1] == 0).all():
            return False
    return True

Ho rimodellato l'array e poi ho iterato. Sfortunatamente, la mia risposta presuppone che tu abbia almeno tre dimensioni e sbaglierà per le matrici normali, dovresti aggiungere una clausola speciale per le matrici a forma 1 e 2 dimensionale. Inoltre, questo sarà lento, quindi ci sono probabilmente soluzioni migliori.

x = np.array(
        [
            [
                [0 , 1, 1, 0],
                [0 , 2, 3, 0],
                [0 , 4, 5, 0]
            ],
            [
                [0 , 6, 7, 0],
                [0 , 7, 8, 0],
                [0 , 9, 5, 0]
            ]
        ])

xx = np.array(
        [
            [
                [0 , 0, 0, 0],
                [0 , 2, 3, 0],
                [0 , 0, 0, 0]
            ],
            [
                [0 , 0, 0, 0],
                [0 , 7, 8, 0],
                [0 , 0, 0, 0]
            ]
        ])

def check_edges(x):

    idx = x.shape
    chunk = np.prod(idx[:-2])
    x = x.reshape((chunk*idx[-2], idx[-1]))
    for block in range(chunk):
        z = x[block*idx[-2]:(block+1)*idx[-2], :]
        if not np.all(z[:, 0] == 0):
            return False
        if not np.all(z[:, -1] == 0):
            return False
        if not np.all(z[0, :] == 0):
            return False
        if not np.all(z[-1, :] == 0):
            return False

    return True

Che produrrà

>>> False
>>> True

Fondamentalmente impilo tutte le dimensioni una sopra l'altra e poi guardo attraverso di esse per controllare i loro bordi.

forse l'operatore con i puntini di sospensione è quello che stai cercando, che funzionerà per molte dimensioni:

import numpy as np

# data
x = np.random.rand(2, 5, 5)
x[..., 0:, 0] = 0
x[..., 0, 0:] = 0
x[..., 0:, -1] = 0
x[..., -1, 0:] = 0

test = np.all(
    [
        np.all(x[..., 0:, 0] == 0),
        np.all(x[..., 0, 0:] == 0),
        np.all(x[..., 0:, -1] == 0),
        np.all(x[..., -1, 0:] == 0),
    ]
)

print(test)

È possibile utilizzare slicee mascheramento booleano per completare il lavoro:

def get_borders(arr):
    s=tuple(slice(1,i-1) for i in a.shape)
    mask = np.ones(arr.shape, dtype=bool)
    mask[s] = False
    return(arr[mask])

Questa funzione modella prima il "nucleo" dell'array nella tupla s, quindi crea una maschera che mostra Truesolo per i punti confinanti. L'indicizzazione booleana fornisce quindi i punti di confine.

Esempio funzionante:

a = np.arange(16).reshape((4,4))

print(a)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

borders = get_borders(a)
print(borders)
array([ 0,  1,  2,  3,  4,  7,  8, 11, 12, 13, 14, 15])

Quindi, np.all(borders==0)ti darà le informazioni desiderate.

Nota: questo si interrompe per gli array unidimensionali, anche se li considero un caso limite. Probabilmente stai meglio solo controllando i due punti in questione lì