উপাদানগুলির মধ্যে ধ্রুব পদক্ষেপ রয়েছে এমন অ্যারে
একটি ক্ষেত্রে rangeবা অন্য কোন সুসংগত বৃদ্ধি অ্যারের আপনি কেবল সূচক প্রোগ্রামেটিক্যালি কোন প্রয়োজন আসলে পুনরুক্তি করতে এ সব অ্যারের উপর নিরূপণ করতে পারেন:
def first_index_calculate_range_like(val, arr):
if len(arr) == 0:
raise ValueError('no value greater than {}'.format(val))
elif len(arr) == 1:
if arr[0] > val:
return 0
else:
raise ValueError('no value greater than {}'.format(val))
first_value = arr[0]
step = arr[1] - first_value
# For linearly decreasing arrays or constant arrays we only need to check
# the first element, because if that does not satisfy the condition
# no other element will.
if step <= 0:
if first_value > val:
return 0
else:
raise ValueError('no value greater than {}'.format(val))
calculated_position = (val - first_value) / step
if calculated_position < 0:
return 0
elif calculated_position > len(arr) - 1:
raise ValueError('no value greater than {}'.format(val))
return int(calculated_position) + 1
কেউ সম্ভবত কিছুটা উন্নতি করতে পারে। আমি নিশ্চিত করেছি যে এটি কয়েকটি নমুনা অ্যারে এবং মানগুলির জন্য সঠিকভাবে কাজ করে তবে এর অর্থ এই নয় যে সেখানে ভুল হতে পারে না, বিশেষত বিবেচনা করে যে এটি ভাসমান ব্যবহার করে ...
>>> import numpy as np
>>> first_index_calculate_range_like(5, np.arange(-10, 10))
16
>>> np.arange(-10, 10)[16] # double check
6
>>> first_index_calculate_range_like(4.8, np.arange(-10, 10))
15
প্রদত্ত যে এটি কোনও পুনরাবৃত্তি ছাড়াই অবস্থানটি গণনা করতে পারে এটি ধ্রুবক সময় ( O(1)) এবং সম্ভবত উল্লিখিত সমস্ত পন্থাগুলি বীট করতে পারে। তবে এটির জন্য ধ্রুব পদক্ষেপ প্রয়োজন, অন্যথায় এটি ভুল ফলাফল আনবে।
নাম্বার ব্যবহার করে সাধারণ সমাধান
আরও সাধারণ পদ্ধতির একটি নাম্বা ফাংশন ব্যবহার করা হবে:
@nb.njit
def first_index_numba(val, arr):
for idx in range(len(arr)):
if arr[idx] > val:
return idx
return -1
এটি যে কোনও অ্যারের জন্য কাজ করবে তবে এটি অ্যারের উপরে পুনরাবৃত্তি করতে হবে, সুতরাং গড় ক্ষেত্রে এটি হবে O(n):
>>> first_index_numba(4.8, np.arange(-10, 10))
15
>>> first_index_numba(5, np.arange(-10, 10))
16
মাপকাঠি
যদিও নিকো শ্ল্যামার ইতিমধ্যে কিছু মানদণ্ড সরবরাহ করেছেন আমি ভেবেছিলাম আমার নতুন সমাধানগুলি অন্তর্ভুক্ত করা এবং বিভিন্ন "মান" পরীক্ষার জন্য এটি কার্যকর হতে পারে।
পরীক্ষা সেটআপ:
import numpy as np
import math
import numba as nb
def first_index_using_argmax(val, arr):
return np.argmax(arr > val)
def first_index_using_where(val, arr):
return np.where(arr > val)[0][0]
def first_index_using_nonzero(val, arr):
return np.nonzero(arr > val)[0][0]
def first_index_using_searchsorted(val, arr):
return np.searchsorted(arr, val) + 1
def first_index_using_min(val, arr):
return np.min(np.where(arr > val))
def first_index_calculate_range_like(val, arr):
if len(arr) == 0:
raise ValueError('empty array')
elif len(arr) == 1:
if arr[0] > val:
return 0
else:
raise ValueError('no value greater than {}'.format(val))
first_value = arr[0]
step = arr[1] - first_value
if step <= 0:
if first_value > val:
return 0
else:
raise ValueError('no value greater than {}'.format(val))
calculated_position = (val - first_value) / step
if calculated_position < 0:
return 0
elif calculated_position > len(arr) - 1:
raise ValueError('no value greater than {}'.format(val))
return int(calculated_position) + 1
@nb.njit
def first_index_numba(val, arr):
for idx in range(len(arr)):
if arr[idx] > val:
return idx
return -1
funcs = [
first_index_using_argmax,
first_index_using_min,
first_index_using_nonzero,
first_index_calculate_range_like,
first_index_numba,
first_index_using_searchsorted,
first_index_using_where
]
from simple_benchmark import benchmark, MultiArgument
এবং প্লটগুলি ব্যবহার করে তৈরি করা হয়েছিল:
%matplotlib notebook
b.plot()
আইটেম শুরুতে হয়
b = benchmark(
funcs,
{2**i: MultiArgument([0, np.arange(2**i)]) for i in range(2, 20)},
argument_name="array size")
নাম্বা ফাংশন ক্যালকুলেট-ফাংশন এবং অনুসন্ধানের ক্রিয়াকলাপের পরে সর্বোত্তম কাজ করে। অন্যান্য সমাধানগুলি আরও খারাপ সম্পাদন করে।
আইটেম শেষ হয়
b = benchmark(
funcs,
{2**i: MultiArgument([2**i-2, np.arange(2**i)]) for i in range(2, 20)},
argument_name="array size")
ছোট অ্যারেগুলির জন্য নাম্বা ফাংশনটি আশ্চর্যজনকভাবে দ্রুত সঞ্চালন করে, তবে বড় অ্যারেগুলির জন্য এটি গণনা-ফাংশন এবং অনুসন্ধানের ক্রিয়াকলাপ দ্বারা ছাপিয়ে যায়।
আইটেমটি স্কয়ার্ট (লেন) এ রয়েছে
b = benchmark(
funcs,
{2**i: MultiArgument([np.sqrt(2**i), np.arange(2**i)]) for i in range(2, 20)},
argument_name="array size")
এটি আরও আকর্ষণীয়। আবার নাম্বা এবং ক্যালকুলেট ফাংশন দুর্দান্ত সঞ্চালন করে, তবে এটি প্রকৃতপক্ষে অনুসন্ধানের সবচেয়ে খারাপ ক্ষেত্রে ট্রিগার করছে যা সত্যই এই ক্ষেত্রে ভাল কাজ করে না।
যখন কোনও মান শর্তটি সন্তুষ্ট না করে তখন কার্যগুলির তুলনা
আর একটি আকর্ষণীয় বিষয় হ'ল এই ফাংশনটি কীভাবে আচরণ করে যদি কোনও মূল্য না থাকে যার সূচি ফিরিয়ে দেওয়া উচিত:
arr = np.ones(100)
value = 2
for func in funcs:
print(func.__name__)
try:
print('-->', func(value, arr))
except Exception as e:
print('-->', e)
এই ফলাফলের সাথে:
first_index_using_argmax
--> 0
first_index_using_min
--> zero-size array to reduction operation minimum which has no identity
first_index_using_nonzero
--> index 0 is out of bounds for axis 0 with size 0
first_index_calculate_range_like
--> no value greater than 2
first_index_numba
--> -1
first_index_using_searchsorted
--> 101
first_index_using_where
--> index 0 is out of bounds for axis 0 with size 0
অনুসন্ধান করা, আরগম্যাক্স এবং নাম্বা কেবল একটি ভুল মান দেয় value তবে searchsortedএবং numbaএমন একটি সূচক ফেরত করুন যা অ্যারের জন্য বৈধ সূচক নয়।
ফাংশন where, min, nonzeroএবং calculateএকটি ব্যতিক্রম নিক্ষেপ করা। তবে কেবল ব্যতিক্রমগুলি calculateআসলে কার্যকর কিছু বলে।
এর অর্থ হ'ল একজনকে এই কলগুলিকে একটি উপযুক্ত মোড়কের ফাংশনে আবদ্ধ করতে হবে যা ব্যতিক্রম বা অবৈধ রিটার্ন মানগুলি ধরবে এবং যথাযথভাবে হ্যান্ডেল করবে, কমপক্ষে যদি আপনি নিশ্চিত না হন তবে মানটি অ্যারেতে থাকতে পারে কিনা।
দ্রষ্টব্য: গণনা এবং searchsortedবিকল্পগুলি কেবলমাত্র বিশেষ শর্তে কাজ করে। "গণনা" ফাংশনটির জন্য একটি ধ্রুব পদক্ষেপ প্রয়োজন এবং অনুসন্ধানের জন্য অ্যারে বাছাই করা দরকার। সুতরাং এটি সঠিক পরিস্থিতিতে কার্যকর হতে পারে তবে এই সমস্যার সাধারণ সমাধান নয় n't কেস আপনার সাথে ডিল করছি সাজানো পাইথন তালিকা আপনি কটাক্ষপাত করা করতে চাইবেন দ্বিখণ্ডিত করা পরিবর্তে Numpys searchsorted ব্যবহারের মডিউল।
