获取ndArray/lis的所有其他索引

Question

给定一个值数组和一个有效的索引数组，我想得到所有其他的索引。你知道吗

正在寻找一种可行的方法，但下面是一个解决方案的示例，并阐明了我要实现的目标：

A = np.array(['a', 'b', 'c', 'd', 'e', 'f', 'g'])  # Array of values. Shape: (7,)
B = np.array([0,3,5])  # Array of indices.

# Looking for a more elegant way to do this following line
C = np.array([i for i in range(len(A)) if i not in B])  # Array indices not in B

# Expected Output: C = [1, 2, 4, 6]

编辑：确定解决方案的基准

A = np.ones(10000)  
B = np.random.random_integers(low=0, high=len(A) - 1, size=8000)  

t1 = time()  
mask = np.ones(len(A), dtype=bool)  
mask[B] = False  
C = np.arange(len(A))[mask]  
t1 = time() - t1  

t2 = time()  
C = np.delete(np.arange(A.size), B)  
t2 = time() - t2  

t3 = time()  
C = np.array([i for i in range(len(A)) if i not in B])  
t3 = time() - t3  

t4 = time()  
C = set(np.arange(len(A))).difference(B)  
t4 = time() - t4  

print("T1: %.5f" % np.round(t1, 5))    
print("T2: %.5f" % np.round(t2, 5))  
print("T3: %.5f" % np.round(t3, 5))  
print("T4: %.5f" % np.round(t4, 5))  

结果（数值随B中指数数量的变化而变化，但最快的总是T1：

T1: 0.00011<；<；<；多次运行上述脚本，这始终是最快的。第二种方法总是有点落后。
T2: 0.00017
T3: 0.05746<；<；列表理解花费的时间最多。即使在移除np.数组.
T4: 0.00158

• 结论：
  我将使用上面的第二种方法（T2），因为它是一个单行程序，所用的时间（几乎）与最快的方法相同。你知道吗

Answer 1

可以使用np.delete从可以使用np.arange创建的其他索引列表中删除B项：

inds = np.delete(np.arange(A.size), B)

演示：

In [53]: A = np.array(['a', 'b', 'c', 'd', 'e', 'f', 'g'])
    ...: B = np.array([0,3,5])

In [54]: inds = np.delete(np.arange(A.size), B)

In [55]: inds
Out[55]: array([1, 2, 4, 6])

Answer 2

我不确定这是不是Python，但它是更Numpythonic（如果这是一件事）。首先，数组的查找是O（N）。其次，陷入Python迭代（在您的列表理解中）首先破坏了使用numpy数组的目的。你知道吗

A = np.array([1,2,3,4,5,6,7]) 
B = np.array([0,3,5])
mask = np.ones(len(A), dtype=bool)
mask[B] = False
not_in_b = np.arange(len(A))[mask]

编辑

一些基准。你知道吗

In [9]: a = np.ones(1000000)

In [10]: b = np.random.choice(1000000, size=10000, replace=False)

In [11]: def test1(a, b):
    ...:     mask = np.ones(len(a), dtype=bool)
    ...:     mask[b] = False
    ...:     return np.arange(len(a))[mask]
    ...: 
    ...: 

In [12]: %timeit test1(a, b)
4.72 ms ± 15 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [13]: %timeit np.delete(np.arange(a.size), b)
4.72 ms ± 21.9 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

令人惊讶的是，@Kasramvd的解决方案并不比我的快，尽管它要干净一些。考虑到这个结果，如果np.delete实际上是一个与我实现的逻辑相同的瘦包装器，我也不会感到惊讶。因此，我没有理由选择我的解决方案而不是@Kasramvd的