NumPyでのNaNの高速チェック

np.nanNumPy配列内のNaN（）の発生を確認する最速の方法を探していXます。それは、潜在的に巨大なnp.isnan(X)shapeのブール配列を構築するので、問題外ですX.shape。

試しましたnp.nan in Xが、うまくいかないようですnp.nan != np.nan。これを行うための高速でメモリ効率の良い方法はありますか？

（「どれほど巨大か」と尋ねる人にはわかりません。これはライブラリコードの入力検証です。）

レイのソリューションは良いです。ただし、私のマシンではnumpy.sum、の代わりに使用する方が約2.5倍高速ですnumpy.min。

In [13]: %timeit np.isnan(np.min(x))
1000 loops, best of 3: 244 us per loop

In [14]: %timeit np.isnan(np.sum(x))
10000 loops, best of 3: 97.3 us per loop

とは異なりmin、sum最新のハードウェアではかなり高価になる傾向がある分岐は必要ありません。これがおそらくsum速い理由です。

編集上記のテストは、配列の中央にある単一のNaNで実行されました。

minNaNが存在する場合は、存在しない場合よりもが遅いことに注意してください。NaNが配列の先頭に近づくにつれて、速度も遅くなるようです。一方、sumのスループットは、NaNの有無とそれらの場所に関係なく一定のようです。

In [40]: x = np.random.rand(100000)

In [41]: %timeit np.isnan(np.min(x))
10000 loops, best of 3: 153 us per loop

In [42]: %timeit np.isnan(np.sum(x))
10000 loops, best of 3: 95.9 us per loop

In [43]: x[50000] = np.nan

In [44]: %timeit np.isnan(np.min(x))
1000 loops, best of 3: 239 us per loop

In [45]: %timeit np.isnan(np.sum(x))
10000 loops, best of 3: 95.8 us per loop

In [46]: x[0] = np.nan

In [47]: %timeit np.isnan(np.min(x))
1000 loops, best of 3: 326 us per loop

In [48]: %timeit np.isnan(np.sum(x))
10000 loops, best of 3: 95.9 us per loop

私はnp.isnan(np.min(X))あなたがやりたいことをすべきだと思います。

受け入れられた回答が存在する場合でも、私は以下をデモンストレーションしたいと思います（VistaのPython 2.7.2およびNumpy 1.6.0を使用）：

In []: x= rand(1e5)
In []: %timeit isnan(x.min())
10000 loops, best of 3: 200 us per loop
In []: %timeit isnan(x.sum())
10000 loops, best of 3: 169 us per loop
In []: %timeit isnan(dot(x, x))
10000 loops, best of 3: 134 us per loop

In []: x[5e4]= NaN
In []: %timeit isnan(x.min())
100 loops, best of 3: 4.47 ms per loop
In []: %timeit isnan(x.sum())
100 loops, best of 3: 6.44 ms per loop
In []: %timeit isnan(dot(x, x))
10000 loops, best of 3: 138 us per loop

したがって、本当に効率的な方法は、オペレーティングシステムに大きく依存している可能性があります。とにかくdot(.)ベースのものが最も安定しているようです。

ここには2つの一般的なアプローチがあります。

• 各配列項目をチェックしてnan、を取得しanyます。
• nans を保持する累積演算を適用して（などsum）、その結果を確認します。

最初のアプローチは確かに最もクリーンですが、一部の累積演算（特にのようにBLASで実行される演算）を大幅に最適化すると、dotそれらを非常に高速にできます。dot他の一部のBLAS操作と同様に、特定の条件下ではマルチスレッド化されることに注意してください。これは、異なるマシン間の速度の違いを説明しています。

import numpy
import perfplot


def min(a):
    return numpy.isnan(numpy.min(a))


def sum(a):
    return numpy.isnan(numpy.sum(a))


def dot(a):
    return numpy.isnan(numpy.dot(a, a))


def any(a):
    return numpy.any(numpy.isnan(a))


def einsum(a):
    return numpy.isnan(numpy.einsum("i->", a))


perfplot.show(
    setup=lambda n: numpy.random.rand(n),
    kernels=[min, sum, dot, any, einsum],
    n_range=[2 ** k for k in range(20)],
    logx=True,
    logy=True,
    xlabel="len(a)",
)

1. .any（）を使用

   if numpy.isnan(myarray).any()

2. numpy.isfiniteはisnanよりもチェックに優れている

   if not np.isfinite(prop).all()

あなたが快適なら numba これにより、高速短絡（NaNが検出されるとすぐに停止）関数を作成できます。

import numba as nb
import math

@nb.njit
def anynan(array):
    array = array.ravel()
    for i in range(array.size):
        if math.isnan(array[i]):
            return True
    return False

何がある場合はNaN関数が実際より遅いかもしれないnp.min、私はそれのだと思いませんので、np.min大きな配列のためのマルチプロセッシングの用途：

import numpy as np
array = np.random.random(2000000)

%timeit anynan(array)          # 100 loops, best of 3: 2.21 ms per loop
%timeit np.isnan(array.sum())  # 100 loops, best of 3: 4.45 ms per loop
%timeit np.isnan(array.min())  # 1000 loops, best of 3: 1.64 ms per loop

ただし、配列にNaNがある場合、特にその位置が低いインデックスにある場合は、はるかに高速です。

array = np.random.random(2000000)
array[100] = np.nan

%timeit anynan(array)          # 1000000 loops, best of 3: 1.93 µs per loop
%timeit np.isnan(array.sum())  # 100 loops, best of 3: 4.57 ms per loop
%timeit np.isnan(array.min())  # 1000 loops, best of 3: 1.65 ms per loop

CythonまたはC拡張機能でも同様の結果が得られる可能性があります。これらは少し複雑です（またはとして簡単に利用できますbottleneck.anynan）が、最終anynan的には私の機能と同じです。

これに関連するのは、NaNの最初の発生を見つける方法の問題です。これは私が知っていることを処理する最も速い方法です：

index = next((i for (i,n) in enumerate(iterable) if n!=n), None)