È possibile utilizzare np.random.choice
con l'optional replace=False
per random selection without replacement
e usare quelli su un appiattito versione di A
(fatto con .ravel()
), così via -
A.ravel()[np.random.choice(A.size, c, replace=False)] = np.nan
run
Campione -
In [100]: A
Out[100]:
array([[-0.35365726, 0.26754527, -0.44985524, -1.29520237, 2.01505444],
[ 0.01319146, 0.65150356, -2.32054478, 0.40924753, 0.24761671],
[ 0.3014714 , -0.80688589, -2.61431163, 0.07787956, 1.23381951],
[-1.70725777, 0.07856845, -1.04354202, -0.68904925, 1.07161002],
[-1.08061614, 1.17728247, -1.5913516 , -1.87601976, 1.14655867],
[ 1.12542853, -0.26290025, -1.0371326 , 0.53019033, -1.20766258],
[ 1.00692277, 0.171661 , -0.89646634, 1.87619114, -1.04900026],
[ 0.22238353, -0.6523747 , -0.38951426, 0.78449948, -1.14698869],
[ 0.58023183, 1.99987331, -0.85938155, 1.4211672 , -0.43369898],
[-2.15682219, -0.6872121 , -1.28073816, -0.97523148, -2.27967001]])
In [101]: A.ravel()[np.random.choice(A.size, c, replace=False)] = np.nan
In [102]: A
Out[102]:
array([[ nan, 0.26754527, -0.44985524, nan, 2.01505444],
[ 0.01319146, 0.65150356, -2.32054478, nan, 0.24761671],
[ nan, -0.80688589, nan, nan, 1.23381951],
[ nan, nan, -1.04354202, -0.68904925, 1.07161002],
[-1.08061614, 1.17728247, -1.5913516 , nan, 1.14655867],
[ 1.12542853, nan, -1.0371326 , 0.53019033, -1.20766258],
[ nan, 0.171661 , -0.89646634, nan, nan],
[ 0.22238353, -0.6523747 , -0.38951426, 0.78449948, -1.14698869],
[ 0.58023183, 1.99987331, -0.85938155, nan, -0.43369898],
[-2.15682219, -0.6872121 , -1.28073816, -0.97523148, nan]])
Oh, è un po 'più elegante del mio modo! – tom
Suppongo di poter anche sostituire 'np.random.choice' con' np.random.randint (0, high = A.size, size = c) 'per la mia applicazione (se la sostituzione non ha molta importanza). Tuttavia, perché l'array non rimane piatto dopo 'ravel()'? – Oleg
@OlegKomarov 'np.random.randint' potrebbe darti indici ripetuti, quindi non credo che funzionerebbe nel tuo caso. Per quanto riguarda la cosa '.ravel()', è solo una ['view'] (http://stackoverflow.com/questions/4370745/view-onto-a-numpy-array), quindi non si appiattisce esattamente nella memoria. Quindi, la "vista appiattita" viene indicizzata e impostata come NaN, mentre viene mantenuta come una matrice 2D. – Divakar