在numpy数组中，最有效的方法是使用前向填充（forward-fill）来填充NaN值。

20 浏览
0 Comments

在numpy数组中，最有效的方法是使用前向填充（forward-fill）来填充NaN值。

示例问题

作为一个简单的例子，考虑如下定义的numpy数组arr：

import numpy as np
arr = np.array([[5, np.nan, np.nan, 7, 2],
                [3, np.nan, 1, 8, np.nan],
                [4, 9, 6, np.nan, np.nan]])

在控制台输出中，arr看起来像这样：

array([[  5.,  nan,  nan,   7.,   2.],
       [  3.,  nan,   1.,   8.,  nan],
       [  4.,   9.,   6.,  nan,  nan]])

现在，我想要对数组arr进行逐行的“向前填充”操作，即将每个nan值替换为左侧最近的有效值。期望的结果应该是这样的：

array([[  5.,   5.,   5.,  7.,  2.],
       [  3.,   3.,   1.,  8.,  8.],
       [  4.,   9.,   6.,  6.,  6.]])

已尝试的方法

我尝试使用了for循环：

for row_idx in range(arr.shape[0]):
    for col_idx in range(arr.shape[1]):
        if np.isnan(arr[row_idx][col_idx]):
            arr[row_idx][col_idx] = arr[row_idx][col_idx - 1]

我还尝试了使用pandas数据帧作为中间步骤（因为pandas数据帧有一个非常好用的内置方法可以进行向前填充）：

import pandas as pd
df = pd.DataFrame(arr)
df.fillna(method='ffill', axis=1, inplace=True)
arr = df.as_matrix()

上述两种策略都能产生期望的结果，但我一直在想：难道只使用numpy向量化操作的策略不是最高效的吗？

总结

是否有其他更高效的方法来对numpy数组进行“向前填充”操作？（例如使用numpy的向量化操作）

更新：解决方案比较

我尝试计时所有迄今为止的解决方案。这是我的设置脚本：

import numba as nb
import numpy as np
import pandas as pd
def random_array():
    choices = [1, 2, 3, 4, 5, 6, 7, 8, 9, np.nan]
    out = np.random.choice(choices, size=(1000, 10))
    return out
def loops_fill(arr):
    out = arr.copy()
    for row_idx in range(out.shape[0]):
        for col_idx in range(1, out.shape[1]):
            if np.isnan(out[row_idx, col_idx]):
                out[row_idx, col_idx] = out[row_idx, col_idx - 1]
    return out
@nb.jit
def numba_loops_fill(arr):
    '''由shx2提供的Numba装饰器解决方案。'''
    out = arr.copy()
    for row_idx in range(out.shape[0]):
        for col_idx in range(1, out.shape[1]):
            if np.isnan(out[row_idx, col_idx]):
                out[row_idx, col_idx] = out[row_idx, col_idx - 1]
    return out
def pandas_fill(arr):
    df = pd.DataFrame(arr)
    df.fillna(method='ffill', axis=1, inplace=True)
    out = df.as_matrix()
    return out
def numpy_fill(arr):
    '''由Divakar提供的解决方案。'''
    mask = np.isnan(arr)
    idx = np.where(~mask,np.arange(mask.shape[1]),0)
    np.maximum.accumulate(idx,axis=1, out=idx)
    out = arr[np.arange(idx.shape[0])[:,None], idx]
    return out

然后是这个控制台输入：

%timeit -n 1000 loops_fill(random_array())
%timeit -n 1000 numba_loops_fill(random_array())
%timeit -n 1000 pandas_fill(random_array())
%timeit -n 1000 numpy_fill(random_array())

结果是这样的控制台输出：

1000 loops, best of 3: 9.64 ms per loop
1000 loops, best of 3: 377 µs per loop
1000 loops, best of 3: 455 µs per loop
1000 loops, best of 3: 351 µs per loop

0