urllib.urlopen на самом деле возвращает подобный файлу объект так для получения содержания, которое необходимо будет использовать:
import urllib
feed = urllib.urlopen("http://www.yahoo.com")
print feed.read()
Используйте np.intersect1d.
#!/usr/bin/env python
import numpy as np
a = np.array([1,2,3,4,5,6])
b = np.array([1,4,5])
c=np.intersect1d(a,b)
print(c)
# [1 4 5]
Обратите внимание, что np.intersect1d дает неправильный ответ, если a или b имеют неуникальные элементы. В этом случае используйте np.intersect1d_nu.
Также существуют np.setdiff1d, setxor1d, setmember1d и union1d. Видеть Список примеров Numpy с документом
Numpy имеет функцию набора numpy.setmember1d (), которая работает с отсортированными и однозначными массивами и возвращает именно тот логический массив, который вам нужен. Если входные массивы не соответствуют критериям, вам нужно преобразовать в заданный формат и инвертировать преобразование результата.
import numpy as np
a = np.array([6,1,2,3,4,5,6])
b = np.array([1,4,5])
# convert to the uniqued form
a_set, a_inv = np.unique1d(a, return_inverse=True)
b_set = np.unique1d(b)
# calculate matching elements
matches = np.setmea_set, b_set)
# invert the transformation
result = matches[a_inv]
print(result)
# [False True False False True True False]
Изменить: К сожалению, метод setmember1d в numpy действительно неэффективен. Предложенный вами метод поиска с сортировкой и назначением работает быстрее, но если вы можете назначить напрямую, вы также можете назначить его непосредственно результату и избежать большого количества ненужного копирования. Также ваш метод не сработает, если b содержит что-либо, кроме a. Следующее исправляет эти ошибки:
result = np.zeros(a.shape, dtype=np.bool)
idxs = a.searchsorted(b)
idxs = idxs[np.where(idxs < a.shape[0])] # Filter out out of range values
idxs = idxs[np.where(a[idxs] == b)] # Filter out where there isn't an actual match
result[idxs] = True
print(result)
Мои тесты показывают это при 91 мкс против 6,6 мс для вашего подхода и 109 мс для numpy setmember1d на 1M элементе a и 100 элементе b.
ebresset, ваш ответ не будет работать, если a не является подмножеством b (и a и b отсортированы). В противном случае отсортированный поиск вернет ложные индексы. Мне пришлось сделать что-то подобное, и объединив это с вашим кодом:
# Assume a and b are sorted
idxs = numpy.mod(b.searchsorted(a),len(b))
idxs = idxs[b[idxs]==a]
b[idxs] = numpy.nan
match = numpy.isnan(b)
Ваш пример подразумевает поведение, подобное множеству , больше заботясь о существовании в массиве , чем о наличии нужного элемента в нужном месте. Numpy делает это по-другому со своими математическими массивами и матрицами, он расскажет вам только об элементах в нужном месте. Можете ли вы заставить это работать для вас?
>>> import numpy
>>> a = numpy.array([1,2,3])
>>> b = numpy.array([1,3,3])
>>> a == b
array([ True, False, True], dtype=bool)
Спасибо за ответ kaizer.se. Это не совсем то, что я искал, но по совету друга и тому, что вы сказали, я пришел к следующему.
import numpy as np
a = np.array([1,4,5]).astype(np.float32)
b = np.arange(10).astype(np.float32)
# Assigning matching values from a in b as np.nan
b[b.searchsorted(a)] = np.nan
# Now generating Boolean arrays
match = np.isnan(b)
nonmatch = match == False
Это немного громоздкий процесс, но он лучше, чем написание петель или использование переплетения с петлями.
Ура