带有’rows’和index的ismember的Python版本

import numpy as np

def asvoid(arr):
    """
    View the array as dtype np.void (bytes)
    This views the last axis of ND-arrays as bytes so you can perform comparisons on
    the entire row.
    https://stackoverflow.com/a/16840350/190597 (Jaime,2013-05)
    Warning: When using asvoid for comparison,note that float zeros may compare UNEQUALLY
    >>> asvoid([-0.]) == asvoid([0.])
    array([False],dtype=bool)
    """
    arr = np.ascontiguousarray(arr)
    return arr.view(np.dtype((np.void,arr.dtype.itemsize * arr.shape[-1])))


def in1d_index(a,b):
    voida,voidb = map(asvoid,(a,b))
    return np.where(np.in1d(voidb,voida))[0]    

a = np.array([[4,2]])
b = np.array([[1,1]])

print(in1d_index(a,b))

版画

[2 5 8]

这相当于Matlab的[3,6,因为Python使用基于0的索引.

一些警告：

>指数按递增顺序返回.他们不对应
到b的项目的位置.
> asvoid将用于整数dtypes,但是如果使用asvoid则要小心
在float dtypes上,因为asvoid([ – 0.])== asvoid([0.])返回
阵列([FALSE]).
> asvoid在连续数组上效果最佳.如果数组不连续,则数据将被复制到连续数组,这将降低性能.

尽管存在警告,但为了速度,人们可能会选择使用in1d_index：

def ismember_rows(a,b):
    # https://stackoverflow.com/a/22705773/190597 (ashg)
    return np.nonzero(np.all(b == a[:,np.newaxis],axis=2))[1]

In [41]: a2 = np.tile(a,(2000,1))
In [42]: b2 = np.tile(b,1))

In [46]: %timeit in1d_index(a2,b2)
100 loops,best of 3: 8.49 ms per loop

In [47]: %timeit ismember_rows(a2,b2)
1 loops,best of 3: 5.55 s per loop

因此in1d_index快?650倍(对于数千的长数组),但再次注意比较并不完全是苹果对苹果,因为in1d_index按递增顺序返回索引,而ismember_rows返回a的顺序行中的索引.出现在b.