python – 在3d数组的“切片”中置换行以相互匹配

概述我有一系列的2d数组,其中行是某些空间中的点.所有数组都有许多类似的点,但行顺序不同.我想对行进行排序,以便它们具有最相似的顺序.对于使用K-means或DBSCAN进行聚类,这些点也太不同了.问题也可以像这样.如果我将数组堆叠成3d数组,我如何置换行以最小化沿第二轴的平均标准偏差(SD)？这个问题有什么好的排序算法？ 我尝试了以下方法. >创建一组引用2d数组并对每个数组中的行进行排序,以最小化 我有一系列的2d数组,其中行是某些空间中的点.所有数组都有许多类似的点,但行顺序不同.我想对行进行排序,以便它们具有最相似的顺序.对于使用K-means或DBSCAN进行聚类,这些点也太不同了.问题也可以像这样.如果我将数组堆叠成3d数组,我如何置换行以最小化沿第二轴的平均标准偏差(SD)？这个问题有什么好的排序算法？

我尝试了以下方法.

>创建一组引用2d数组并对每个数组中的行进行排序,以最小化到参考2d数组的平均欧氏距离.这恐怕会产生偏颇的结果.
>按顺序对数组中的行进行排序,然后对成对的中间数,然后是成对的等等……这实际上不起作用,我不知道为什么.

第三种方法可能只是强力优化,但我试图避免这种情况,因为我有多组数组来执行该过程.

这是我的第二种方法(Python)的代码：

def reorder_to(A,B):    """Reorder rows in A to best match rows in B.    input    -----    A : N x M numpy.array    B : N x M numpy.array    Output    ------    perm_order : permutation order    """    if A.shape != B.shape:        print "A and B must have the same shape"        return None    N = A.shape[0]    # Create a distance matrix of distance between rows in A and B    distance_matrix = np.ones((N,N))*np.inf    for i,a in enumerate(A):        for ii,b in enumerate(B):            ba = (b-a)            distance_matrix[i,ii] = np.sqrt(np.dot(ba,ba))    # Choose permutation order by smallest distances first    perm_order = [[] for _ in range(N)]    for _ in range(N):        ind = np.argmin(distance_matrix)        i,ii = ind/N,ind%N        perm_order[ii] = i        distance_matrix[i,:] = np.inf        distance_matrix[:,ii] = np.inf    return perm_orderdef permute_tensor_rows(A):    """Permute 1d rows in 3d array along the 0th axis to minimize average SD along 2nd axis.    input    -----    A : numpy.3darray        Each "slice" in the 2nd direction is an independent array whose rows can be permuted        to decrease the average SD in the 2nd direction.    Output    ------    A : numpy.3darray        A with sorted rows in each "slice".    """    step = 2    while step <= A.shape[2]:        for k in range(0,A.shape[2],step):            # If last,reorder to prevIoUs            if k + step > A.shape[2]:                A_kk = A[:,:,k:(k+step)]                kk_order = reorder_to(np.median(A_kk,axis=2),np.median(A_k,axis=2))                A[:,k:(k+step)] = A[kk_order,k:(k+step)]                continue            k_0,k_1 = k,k+step/2            kk_0,kk_1 = k+step/2,k+step            A_k = A[:,k_0:k_1]            A_kk = A[:,kk_0:kk_1]            order = reorder_to(np.median(A_k,np.median(A_kk,axis=2))            A[:,k_0:k_1] = A[order,k_0:k_1]        print "Step:",step,"\t ... Average SD:",np.mean(np.std(A,axis=2))        step *= 2    return A

解决方法 对不起,我应该查看你的代码示例;这是非常翔实的.

这里看起来似乎为您的问题提供了开箱即用的解决方案：

http://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.linear_sum_assignment.html#scipy.optimize.linear_sum_assignment

根据我的经验,只有最多100分才真正可行.

总结

以上是内存溢出为你收集整理的python – 在3d数组的“切片”中置换行以相互匹配全部内容，希望文章能够帮你解决python – 在3d数组的“切片”中置换行以相互匹配所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。