verifique se um array numpy tem 0 em todas as suas bordas [fechado]

Qual seria a maneira mais rápida de verificar se uma matriz numpy multidimensional tem 0 em todos os lados.

Então, para um exemplo 2D simples, tenho:

x = np.random.rand(5, 5)
assert np.sum(x[0:,  0]) == 0
assert np.sum(x[0,  0:]) == 0
assert np.sum(x[0:, -1]) == 0
assert np.sum(x[-1, 0:]) == 0

Embora isso seja bom para casos 2D corretos, escrever para dimensões mais altas é um pouco entediante e eu queria saber se existe algum truque inteligente e inteligente que eu possa usar aqui para torná-lo eficiente e também mais sustentável.

Veja como você pode fazer isso:

assert(all(np.all(np.take(x, index, axis=axis) == 0)
           for axis in range(x.ndim)
           for index in (0, -1)))

np.take faz o mesmo que indexação "sofisticada".

Aqui está uma resposta que realmente examina as partes da matriz em que você está interessado e não perde tempo construindo uma máscara do tamanho de toda a matriz. Há um loop no nível do Python, mas é curto, com iterações proporcionais ao número de dimensões em vez do tamanho da matriz.

def all_borders_zero(array):
    if not array.ndim:
        raise ValueError("0-dimensional arrays not supported")
    for dim in range(array.ndim):
        view = numpy.moveaxis(array, dim, 0)
        if not (view[0] == 0).all():
            return False
        if not (view[-1] == 0).all():
            return False
    return True

Alterei a forma da matriz e iteramos através dela. Infelizmente, minha resposta pressupõe que você tenha pelo menos três dimensões e irá errar em matrizes normais; você teria que adicionar uma cláusula especial para matrizes de 1 e 2 dimensões. Além disso, isso será lento, portanto provavelmente haverá melhores soluções.

x = np.array(
        [
            [
                [0 , 1, 1, 0],
                [0 , 2, 3, 0],
                [0 , 4, 5, 0]
            ],
            [
                [0 , 6, 7, 0],
                [0 , 7, 8, 0],
                [0 , 9, 5, 0]
            ]
        ])

xx = np.array(
        [
            [
                [0 , 0, 0, 0],
                [0 , 2, 3, 0],
                [0 , 0, 0, 0]
            ],
            [
                [0 , 0, 0, 0],
                [0 , 7, 8, 0],
                [0 , 0, 0, 0]
            ]
        ])

def check_edges(x):

    idx = x.shape
    chunk = np.prod(idx[:-2])
    x = x.reshape((chunk*idx[-2], idx[-1]))
    for block in range(chunk):
        z = x[block*idx[-2]:(block+1)*idx[-2], :]
        if not np.all(z[:, 0] == 0):
            return False
        if not np.all(z[:, -1] == 0):
            return False
        if not np.all(z[0, :] == 0):
            return False
        if not np.all(z[-1, :] == 0):
            return False

    return True

Qual produzirá

>>> False
>>> True

Basicamente, empilho todas as dimensões umas sobre as outras e olho através delas para verificar suas bordas.

talvez o operador de reticências seja o que você está procurando, que funcionará em várias dimensões:

import numpy as np

# data
x = np.random.rand(2, 5, 5)
x[..., 0:, 0] = 0
x[..., 0, 0:] = 0
x[..., 0:, -1] = 0
x[..., -1, 0:] = 0

test = np.all(
    [
        np.all(x[..., 0:, 0] == 0),
        np.all(x[..., 0, 0:] == 0),
        np.all(x[..., 0:, -1] == 0),
        np.all(x[..., -1, 0:] == 0),
    ]
)

print(test)

Você pode usar o slicemascaramento booleano para realizar o trabalho:

def get_borders(arr):
    s=tuple(slice(1,i-1) for i in a.shape)
    mask = np.ones(arr.shape, dtype=bool)
    mask[s] = False
    return(arr[mask])

Essa função primeiro molda o "núcleo" da matriz na tupla se depois cria uma máscara que é exibida Trueapenas para os pontos limítrofes. A indexação booleana entrega os pontos de borda.

Exemplo de trabalho:

a = np.arange(16).reshape((4,4))

print(a)
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15]])

borders = get_borders(a)
print(borders)
array([ 0,  1,  2,  3,  4,  7,  8, 11, 12, 13, 14, 15])

Então, np.all(borders==0)você fornecerá as informações desejadas.

Nota: isso quebra para matrizes unidimensionais, embora eu as considere um caso extremo. Você provavelmente está melhor apenas verificando os dois pontos em questão