setdiff1d(ar1, ar2, assume_unique=False)

1.功能：找到2個數(shù)組中集合元素的差異。

2.返回值：在ar1中但不在ar2中的已排序的唯一值。

3.參數(shù)：

ar1：array_like 輸入數(shù)組。

ar2：array_like 輸入比較數(shù)組。

assume_unique：bool。如果為True，則假定輸入數(shù)組是唯一的，即可以加快計算速度。 默認(rèn)值為False。

a = np.array([1,2,3]) b = np.array([4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2 3] a = np.array([1,2,3]) b = np.array([1,2,3]) c = np.setdiff1d(a, b) print(c)#[] a = np.array([1,2,3]) b = np.array([2,3,4]) c = np.setdiff1d(a, b) print(c)#[1] a = np.array([1,2,3,4]) b = np.array([3,4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2] a = np.array([1,2,3,2,4,1]) b = np.array([3,4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2] a = np.array([8,2,3,2,4,1]) b = np.array([7,4,5,6,3]) c = np.setdiff1d(a, b) print(c)#[1 2 8]

可以從最后看出返回的值從小到大排序，并且唯一。（8在a的第1位，2在a中重復(fù)了2次）

a = np.array([3,2,1]) b = np.array([4,5,6]) c = np.setdiff1d(a, b,True) print(c)#[3 2 1] a = np.array([8,2,3,2,4,1]) b = np.array([7,4,5,6,3]) c = np.setdiff1d(a, b,True) print(c)#[8 2 2 1] a = np.array([8,2,3,4,2,4,1]) b = np.array([7,9,5,6,3]) c = np.setdiff1d(a, b,True) print(c)#[8 2 4 2 4 1]

可以看出把在a中的但是不在b中的元素按a中的順序排序，并且不合并重復(fù)的元素，即假定輸入數(shù)組也是唯一的，因此相比于False確實提升了運算速度。

import numpy as np def main(): a = np.array([1,2,3]) b = np.array([4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2 3] a = np.array([1,2,3]) b = np.array([1,2,3]) c = np.setdiff1d(a, b) print(c)#[] a = np.array([1,2,3]) b = np.array([2,3,4]) c = np.setdiff1d(a, b) print(c)#[1] a = np.array([1,2,3,4]) b = np.array([3,4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2] a = np.array([1,2,3,2,4,1]) b = np.array([3,4,5,6]) c = np.setdiff1d(a, b) print(c)#[1 2] a = np.array([8,2,3,2,4,1]) b = np.array([7,4,5,6,3]) c = np.setdiff1d(a, b) print(c)#[1 2 8] a = np.array([3,2,1]) b = np.array([4,5,6]) c = np.setdiff1d(a, b,True) print(c)#[3 2 1] a = np.array([8,2,3,2,4,1]) b = np.array([7,4,5,6,3]) c = np.setdiff1d(a, b,True) print(c)#[8 2 2 1] a = np.array([8,2,3,4,2,4,1]) b = np.array([7,9,5,6,3]) c = np.setdiff1d(a, b,True) print(c)#[8 2 4 2 4 1] if __name__ == ’__main__’: main()

補(bǔ)充：Python編程之numpy庫函數(shù)in1d的使用

最近利用Python作數(shù)值分析時使用到numpy庫下的in1d函數(shù)。in1d函數(shù)與excel中vlookup函數(shù)和MATLAB中ismember函數(shù)有相似之處。其作用在于在序列B中尋找與序列A相同的值，并返回一邏輯值（True,False）或邏輯值構(gòu)成的向量。

設(shè)mask為邏輯值向量，矩陣x的第一列為待查找向量，d為被查詢向量(或值)，即查找x中與d中指定元素相同的值，并返回邏輯值向量mask。mask是由一系列True和False值構(gòu)成，True代表找到相同的值，而False代表沒找到相同的值。演示如下：

mask= np.in1d(x.values[:,1],d[1],invert=False) ##x為DataFrame型數(shù)據(jù)，x.values[:,1]表示取第二列值x_temp=x[mask]

示取第二列值

x_temp=x[mask]

該例旨在查找 x 的第二列值中與d向量中第二個元素相同的部分 ，并返回mask邏輯向量；然后x_temp返回x中mask邏輯值為True的行。

mask向量的類型為bool，查看具體值下圖所示：

值得注意的地方在于in1d函數(shù)中invert參數(shù)的設(shè)置。當(dāng)invert=True時，mask中的元素值為True的部分對x.values[:,1]中與當(dāng)前查找的元素d[i]不同的部分(i為當(dāng)前查找位置)，相同的部分則為false；當(dāng)invert=False時，mask中的元素值為True的部分對x.values[:,1]中與當(dāng)前查找的元素d[i]相同的部分(i為當(dāng)前查找位置)。

演示見下圖：

當(dāng)mask= np.in1d(x.values[:,1],d[2],invert=True)

當(dāng)mask= np.in1d(x.values[:,1],d[2],invert=False)時

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。如有錯誤或未考慮完全的地方，望不吝賜教。