Hoe kolommen in numpy.array te verwijderen

Ik wil geselecteerde kolommen in een numpy.array verwijderen. Dit is wat ik doe:

n [397]: a = array([[ NaN,   2.,   3., NaN],
   .....:        [  1.,   2.,   3., 9]])
In [398]: print a
[[ NaN   2.   3.  NaN]
 [  1.   2.   3.   9.]]
In [399]: z = any(isnan(a), axis=0)
In [400]: print z
[ True False False  True]
In [401]: delete(a, z, axis = 1)
Out[401]:
 array([[  3.,  NaN],
       [  3.,   9.]])

In dit voorbeeld is mijn doel om alle kolommen te verwijderen die NaN’s bevatten. Ik verwacht het laatste commando
resulteren in:

array([[2., 3.],
       [2., 3.]])

Hoe kan ik dat doen?

Antwoord 1, autoriteit 100%

Gezien de naam, denk ik dat de standaardmanier deletemoet zijn:

import numpy as np
A = np.delete(A, 1, 0)  # delete second row of A
B = np.delete(B, 2, 0)  # delete third row of B
C = np.delete(C, 1, 1)  # delete second column of C

Volgens numpy’s documentatiepagina, de parameters voor numpy.deletezijn als volgt:

numpy.delete(arr, obj, axis=None)

• arrverwijst naar de invoerarray,
• objverwijst naar welke subarrays (bijv. kolom/rijnummer of segment van de array) en
• axisverwijst naar ofwel kolomgewijs (axis = 1) of rijgewijs (axis = 0) verwijderbewerking.

Antwoord 2, autoriteit 20%

Voorbeeld uit de numpy-documentatie:

>>> a = numpy.array([[ 0,  1,  2,  3],
               [ 4,  5,  6,  7],
               [ 8,  9, 10, 11],
               [12, 13, 14, 15]])
>>> numpy.delete(a, numpy.s_[1:3], axis=0)                       # remove rows 1 and 2
array([[ 0,  1,  2,  3],
       [12, 13, 14, 15]])
>>> numpy.delete(a, numpy.s_[1:3], axis=1)                       # remove columns 1 and 2
array([[ 0,  3],
       [ 4,  7],
       [ 8, 11],
       [12, 15]])

Antwoord 3, autoriteit 10%

Een andere manier is om gemaskeerde arrays te gebruiken:

import numpy as np
a = np.array([[ np.nan,   2.,   3., np.nan], [  1.,   2.,   3., 9]])
print(a)
# [[ NaN   2.   3.  NaN]
#  [  1.   2.   3.   9.]]

De methode np.ma.masked_invalid retourneert een gemaskeerde array met nans en infs gemaskeerd:

print(np.ma.masked_invalid(a))
[[-- 2.0 3.0 --]
 [1.0 2.0 3.0 9.0]]

De methode np.ma.compress_cols retourneert een 2D-array met elke kolom die a . bevat
gemaskeerde waarde onderdrukt:

a=np.ma.compress_cols(np.ma.masked_invalid(a))
print(a)
# [[ 2.  3.]
#  [ 2.  3.]]

Zie
manipuleren-a-maskedarray

Antwoord 4, autoriteit 5%

Dit creëert een andere array zonder die kolommen:

 b = a.compress(logical_not(z), axis=1)

Antwoord 5, autoriteit 5%

Van Numpy-documentatie

np.delete(arr, obj, axis=Geen)
Retourneer een nieuwe array met subarrays langs een verwijderde as.

>>> arr
array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])
>>> np.delete(arr, 1, 0)
array([[ 1,  2,  3,  4],
       [ 9, 10, 11, 12]])
>>> np.delete(arr, np.s_[::2], 1)
array([[ 2,  4],
       [ 6,  8],
       [10, 12]])
>>> np.delete(arr, [1,3,5], None)
array([ 1,  3,  5,  7,  8,  9, 10, 11, 12])

Antwoord 6, autoriteit 3%

In uw situatie kunt u de gewenste gegevens extraheren met:

a[:, -z]

“-z” is de logische ontkenning van de booleaanse array “z”. Dit is hetzelfde als:

a[:, logical_not(z)]

Antwoord 7

>>> A = array([[ 1,  2,  3,  4],
               [ 5,  6,  7,  8],
               [ 9, 10, 11, 12]])
>>> A = A.transpose()
>>> A = A[1:].transpose()

Antwoord 8

Matrixkolommen verwijderen die NaN bevatten.
Dit is een lang antwoord, maar hopelijk makkelijk te volgen.

def column_to_vector(matrix, i):
    return [row[i] for row in matrix]
import numpy
def remove_NaN_columns(matrix):
    import scipy
    import math
    from numpy import column_stack, vstack
    columns = A.shape[1]
    #print("columns", columns)
    result = []
    skip_column = True
    for column in range(0, columns):
        vector = column_to_vector(A, column)
        skip_column = False
        for value in vector:
            # print(column, vector, value, math.isnan(value) )
            if math.isnan(value):
                skip_column = True
        if skip_column == False:
            result.append(vector)
    return column_stack(result)
### test it
A = vstack(([ float('NaN'), 2., 3., float('NaN')], [ 1., 2., 3., 9]))
print("A shape", A.shape, "\n", A)
B = remove_NaN_columns(A)
print("B shape", B.shape, "\n", B)
A shape (2, 4) 
 [[ nan   2.   3.  nan]
 [  1.   2.   3.   9.]]
B shape (2, 2) 
 [[ 2.  3.]
 [ 2.  3.]]