Vous pouvez utiliser np.random.choice
avec l'option arg replace
ensemble comme False
pour sélectionner des indices uniques pour la taille totale de ce tableau et définir ceux comme no_data_value
. Ainsi, une mise en œuvre serait -
a.ravel()[np.random.choice(a.size,a.size-10000,replace=0)] = no_data_value
Nous pouvons également utiliser np.put
pour le rendre plus intuitif, comme si -
np.put(a, np.random.choice(a.size,a.size-10000,replace=0), no_data_value)
Un échantillon analysé devrait le rendre plus facile à comprendre -
In [94]: a # Input array
Out[94]:
array([[163, 80, 142, 169, 214],
[ 7, 59, 102, 104, 234],
[ 44, 143, 7, 30, 232],
[ 71, 15, 64, 42, 141]])
In [95]: no_data_value = 0 # No value specifier
In [98]: N = 10 # Number of elems to keep
In [99]: a.ravel()[np.random.choice(a.size,a.size-N,replace=0)] = no_data_value
In [100]: a
Out[100]:
array([[ 0, 0, 142, 0, 0],
[ 7, 0, 0, 104, 234],
[ 0, 0, 7, 30, 232],
[ 71, 0, 64, 0, 141]])
Si vous avez déjà un ou plusieurs éléments dans le tableau en entrée égal à no_data_value
, nous pourrions vouloir compenser le nombre d'éléments à définir en fonction de ce nombre. Ainsi, pour un tel cas, nous aurions une version modifiée, comme si -
S = a.size - N - (a == no_data_value).sum()
idx = np.random.choice(np.flatnonzero(a!=no_data_value),S,replace=0)
a.ravel()[idx] = no_data_value
run Exemple -
In [65]: a
Out[65]:
array([[240, 30, 61, 38, 145],
[ 91, 65, 108, 154, 118],
[155, 198, 65, 65, 189],
[248, 140, 154, 186, 186]])
In [66]: no_data_value = 65 # No value specifier
In [67]: N = 10 # Number of elems to keep
In [68]: S = a.size - N - (a == no_data_value).sum()
In [69]: idx = np.random.choice(np.flatnonzero(a!=no_data_value),S,replace=0)
In [70]: a.ravel()[idx] = no_data_value
In [71]: a
Out[71]:
array([[240, 30, 61, 38, 65],
[ 65, 65, 108, 65, 65],
[ 65, 198, 65, 65, 65],
[248, 140, 154, 186, 65]])
Rollback la section de mise à jour que le problème a été résolu? – Divakar