web-dev-qa-db-fra.com

NumPy: calcule les moyennes sans les NaN

Comment puis-je calculer les valeurs moyennes d'une matrice le long d'une matrice, tout en supprimant les valeurs nan du calcul? (Pour les personnes R, pensez à na.rm = TRUE).

Voici mon [exemple] de travail:

import numpy as np
dat = np.array([[1, 2, 3],
                [4, 5, np.nan],
                [np.nan, 6, np.nan],
                [np.nan, np.nan, np.nan]])
print(dat)
print(dat.mean(1))  # [  2.  nan  nan  nan]

Avec NaNs enlevé, mon résultat attendu serait:

array([ 2.,  4.5,  6.,  nan])
pythonnumpynan
39
Mike T

Je pense que ce que vous voulez, c'est un tableau masqué:

dat = np.array([[1,2,3], [4,5,nan], [nan,6,nan], [nan,nan,nan]])
mdat = np.ma.masked_array(dat,np.isnan(dat))
mm = np.mean(mdat,axis=1)
print mm.filled(np.nan) # the desired answer

Edit: Combinaison de toutes les données de minutage

   from timeit import Timer

    setupstr="""
import numpy as np
from scipy.stats.stats import nanmean    
dat = np.random.normal(size=(1000,1000))
ii = np.ix_(np.random.randint(0,99,size=50),np.random.randint(0,99,size=50))
dat[ii] = np.nan
"""  

    method1="""
mdat = np.ma.masked_array(dat,np.isnan(dat))
mm = np.mean(mdat,axis=1)
mm.filled(np.nan)    
"""

    N = 2
    t1 = Timer(method1, setupstr).timeit(N)
    t2 = Timer("[np.mean([l for l in d if not np.isnan(l)]) for d in dat]", setupstr).timeit(N)
    t3 = Timer("np.array([r[np.isfinite(r)].mean() for r in dat])", setupstr).timeit(N)
    t4 = Timer("np.ma.masked_invalid(dat).mean(axis=1)", setupstr).timeit(N)
    t5 = Timer("nanmean(dat,axis=1)", setupstr).timeit(N)

    print 'Time: %f\tRatio: %f' % (t1,t1/t1 )
    print 'Time: %f\tRatio: %f' % (t2,t2/t1 )
    print 'Time: %f\tRatio: %f' % (t3,t3/t1 )
    print 'Time: %f\tRatio: %f' % (t4,t4/t1 )
    print 'Time: %f\tRatio: %f' % (t5,t5/t1 )

Résultats:

Time: 0.045454  Ratio: 1.000000
Time: 8.179479  Ratio: 179.950595
Time: 0.060988  Ratio: 1.341755
Time: 0.070955  Ratio: 1.561029
Time: 0.065152  Ratio: 1.433364
34
JoshAdel

Si les performances comptent, vous devriez utiliser bottleneck.nanmean() à la place:

http://pypi.python.org/pypi/Bottleneck

18
deprecated

En supposant que SciPy soit également installé:

http://www.scipy.org/doc/api_docs/SciPy.stats.stats.html#nanmean

12
Shaun Dubuque

Un tableau masqué avec les nans filtrés peut également être créé à la volée:

print np.ma.masked_invalid(dat).mean(1)
8
Sven Marnach

Vous pouvez toujours trouver une solution de contournement dans quelque chose comme:

numpy.nansum(dat, axis=1) / numpy.sum(numpy.isfinite(dat), axis=1)

Le numpy.mean de Numpy 2.0 a une option skipna qui devrait s’occuper de cela.

8
Benjamin

Ceci est construit sur la solution suggérée par JoshAdel.

Définir la fonction suivante:

def nanmean(data, **args):
    return numpy.ma.filled(numpy.ma.masked_array(data,numpy.isnan(data)).mean(**args), fill_value=numpy.nan)

Exemple d'utilisation:

data = [[0, 1, numpy.nan], [8, 5, 1]]
data = numpy.array(data)
print data
print nanmean(data)
print nanmean(data, axis=0)
print nanmean(data, axis=1)

Imprimera:

[[  0.   1.  nan]
 [  8.   5.   1.]]

3.0

[ 4.  3.  1.]

[ 0.5         4.66666667]
3
Eugene Yurtsev

À partir de numpy 1.8 (publié le 2013-10-30), nanmean fait précisément ce dont vous avez besoin:

>>> import numpy as np
>>> np.nanmean(np.array([1.5, 3.5, np.nan]))
2.5
2
Alexander

Pourquoi ne pas utiliser les pandas pour faire ceci:

import numpy as np
import pandas as pd
dat = np.array([[1, 2, 3], [4, 5, np.nan], [np.nan, 6, np.nan], [np.nan, np.nan, np.nan]])
print dat
print dat.mean(1)

df = pd.DataFrame(dat)
print df.mean(axis=1)

Donne:

0    2.0
1    4.5
2    6.0
3    NaN
2
zbinsd

Ou vous utilisez laxarray, fraîchement téléchargé, qui est entre autres un wrapper pour les tableaux masqués.

import laxarray as la
la.array(dat).mean(axis=1)

en suivant le protocole de JoshAdel, je reçois:

Time: 0.048791  Ratio: 1.000000   
Time: 0.062242  Ratio: 1.275689   # laxarray's one-liner

Donc, laxarray est légèrement plus lent (il faudrait vérifier pourquoi, peut-être réparable), mais beaucoup plus facile à utiliser et permet d'étiqueter les dimensions avec des chaînes. 

check out: https://github.com/perrette/laxarray

EDIT: J'ai vérifié avec un autre module, "la", Larry, qui bat tous les tests:

import la
la.larry(dat).mean(axis=1)

By hand, Time: 0.049013 Ratio: 1.000000
Larry,   Time: 0.005467 Ratio: 0.111540
laxarray Time: 0.061751 Ratio: 1.259889

Impressionnant !

1
Mahé
# I suggest you this way:
import numpy as np
dat  = np.array([[1, 2, 3], [4, 5, np.nan], [np.nan, 6, np.nan], [np.nan, np.nan, np.nan]])
dat2 = np.ma.masked_invalid(dat)
print np.mean(dat2, axis=1)
0
GiO

Un autre contrôle de vitesse pour toutes les approches proposées:

Python 2.7.11 |Anaconda 2.4.1 (64-bit)| (default, Jan 19 2016, 12:08:31) [MSC v.1500 64 bit (AMD64)]
IPython 4.0.1 -- An enhanced Interactive Python.

import numpy as np
from scipy.stats.stats import nanmean    
dat = np.random.normal(size=(1000,1000))
ii = np.ix_(np.random.randint(0,99,size=50),np.random.randint(0,99,size=50))
dat[ii] = np.nan
In[185]: def method1():
    mdat = np.ma.masked_array(dat,np.isnan(dat))
    mm = np.mean(mdat,axis=1)
    mm.filled(np.nan) 

In[190]: %timeit method1()
100 loops, best of 3: 7.09 ms per loop
In[191]: %timeit [np.mean([l for l in d if not np.isnan(l)]) for d in dat]
1 loops, best of 3: 1.04 s per loop
In[192]: %timeit np.array([r[np.isfinite(r)].mean() for r in dat])
10 loops, best of 3: 19.6 ms per loop
In[193]: %timeit np.ma.masked_invalid(dat).mean(axis=1)
100 loops, best of 3: 11.8 ms per loop
In[194]: %timeit nanmean(dat,axis=1)
100 loops, best of 3: 6.36 ms per loop
In[195]: import bottleneck as bn
In[196]: %timeit bn.nanmean(dat,axis=1)
1000 loops, best of 3: 1.05 ms per loop
In[197]: from scipy import stats
In[198]: %timeit stats.nanmean(dat)
100 loops, best of 3: 6.19 ms per loop

Le meilleur est donc 'bottleneck.nanmean (dat, axis = 1)' 'Scipy.stats.nanmean (dat)' n'est pas plus rapide que numpy.nanmean(dat, axis=1).

0
Sklavit