Melhor maneira de embaralhar duas matrizes numpy em uníssono

Eu tenho duas matrizes numpy de formas diferentes, mas com o mesmo comprimento (dimensão inicial). Quero embaralhar cada um deles, de modo que os elementos correspondentes continuem a corresponder - ou seja, embaralhe-os em uníssono com relação aos seus principais índices.

Este código funciona e ilustra meus objetivos:

def shuffle_in_unison(a, b):
    assert len(a) == len(b)
    shuffled_a = numpy.empty(a.shape, dtype=a.dtype)
    shuffled_b = numpy.empty(b.shape, dtype=b.dtype)
    permutation = numpy.random.permutation(len(a))
    for old_index, new_index in enumerate(permutation):
        shuffled_a[new_index] = a[old_index]
        shuffled_b[new_index] = b[old_index]
    return shuffled_a, shuffled_b

Por exemplo:

>>> a = numpy.asarray([[1, 1], [2, 2], [3, 3]])
>>> b = numpy.asarray([1, 2, 3])
>>> shuffle_in_unison(a, b)
(array([[2, 2],
       [1, 1],
       [3, 3]]), array([2, 1, 3]))

No entanto, isso parece desajeitado, ineficiente e lento, e exige uma cópia das matrizes - eu prefiro embaralhá-las no lugar, pois elas são muito grandes.

Existe uma maneira melhor de fazer isso? Execução mais rápida e menor uso de memória são meus principais objetivos, mas um código elegante também seria bom.

Um outro pensamento que eu tinha era o seguinte:

def shuffle_in_unison_scary(a, b):
    rng_state = numpy.random.get_state()
    numpy.random.shuffle(a)
    numpy.random.set_state(rng_state)
    numpy.random.shuffle(b)

Isso funciona ... mas é um pouco assustador, pois vejo pouca garantia de que continuará funcionando - não parece o tipo de coisa que é garantida para sobreviver em uma versão numpy, por exemplo.

Sua solução "assustadora" não me parece assustadora. A chamada shuffle()de duas seqüências do mesmo comprimento resulta no mesmo número de chamadas para o gerador de números aleatórios, e esses são os únicos elementos "aleatórios" no algoritmo de reprodução aleatória. Ao redefinir o estado, você garante que as chamadas para o gerador de números aleatórios fornecerão os mesmos resultados na segunda chamada para shuffle(), para que todo o algoritmo gere a mesma permutação.

Se você não gostar disso, uma solução diferente seria armazenar seus dados em uma matriz em vez de duas desde o início, e criar duas visualizações nessa matriz única, simulando as duas matrizes que você tem agora. Você pode usar a matriz única para embaralhar e as visualizações para todos os outros fins.

Exemplo: Vamos assumir as matrizes ae ter a seguinte baparência:

a = numpy.array([[[  0.,   1.,   2.],
                  [  3.,   4.,   5.]],

                 [[  6.,   7.,   8.],
                  [  9.,  10.,  11.]],

                 [[ 12.,  13.,  14.],
                  [ 15.,  16.,  17.]]])

b = numpy.array([[ 0.,  1.],
                 [ 2.,  3.],
                 [ 4.,  5.]])

Agora podemos construir uma única matriz contendo todos os dados:

c = numpy.c_[a.reshape(len(a), -1), b.reshape(len(b), -1)]
# array([[  0.,   1.,   2.,   3.,   4.,   5.,   0.,   1.],
#        [  6.,   7.,   8.,   9.,  10.,  11.,   2.,   3.],
#        [ 12.,  13.,  14.,  15.,  16.,  17.,   4.,   5.]])

Agora criamos visualizações simulando o original ae b:

a2 = c[:, :a.size//len(a)].reshape(a.shape)
b2 = c[:, a.size//len(a):].reshape(b.shape)

Os dados de a2e b2são compartilhados com c. Para embaralhar as duas matrizes simultaneamente, use numpy.random.shuffle(c).

No código de produção, você iria, claro, tentar evitar a criação do original ae bem tudo e imediatamente criar c, a2e b2.

Esta solução pode ser adaptada ao caso ae bter diferentes tipos.

Você pode usar a indexação de array do NumPy :

def unison_shuffled_copies(a, b):
    assert len(a) == len(b)
    p = numpy.random.permutation(len(a))
    return a[p], b[p]

Isso resultará na criação de matrizes separadas por uníssono.

X = np.array([[1., 0.], [2., 1.], [0., 0.]])
y = np.array([0, 1, 2])
from sklearn.utils import shuffle
X, y = shuffle(X, y, random_state=0)

Para saber mais, consulte http://scikit-learn.org/stable/modules/generated/sklearn.utils.shuffle.html

Solução muito simples:

randomize = np.arange(len(x))
np.random.shuffle(randomize)
x = x[randomize]
y = y[randomize]

as duas matrizes x, y agora são aleatoriamente embaralhadas da mesma maneira

James escreveu em 2015 uma solução sklearn que é útil. Mas ele adicionou uma variável de estado aleatória, que não é necessária. No código abaixo, o estado aleatório de numpy é automaticamente assumido.

X = np.array([[1., 0.], [2., 1.], [0., 0.]])
y = np.array([0, 1, 2])
from sklearn.utils import shuffle
X, y = shuffle(X, y)

from np.random import permutation
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data #numpy array
y = iris.target #numpy array

# Data is currently unshuffled; we should shuffle 
# each X[i] with its corresponding y[i]
perm = permutation(len(X))
X = X[perm]
y = y[perm]

Misture aleatoriamente qualquer número de matrizes, no local, usando apenas NumPy.

import numpy as np


def shuffle_arrays(arrays, set_seed=-1):
    """Shuffles arrays in-place, in the same order, along axis=0

    Parameters:
    -----------
    arrays : List of NumPy arrays.
    set_seed : Seed value if int >= 0, else seed is random.
    """
    assert all(len(arr) == len(arrays[0]) for arr in arrays)
    seed = np.random.randint(0, 2**(32 - 1) - 1) if set_seed < 0 else set_seed

    for arr in arrays:
        rstate = np.random.RandomState(seed)
        rstate.shuffle(arr)

E pode ser usado assim

a = np.array([1, 2, 3, 4, 5])
b = np.array([10,20,30,40,50])
c = np.array([[1,10,11], [2,20,22], [3,30,33], [4,40,44], [5,50,55]])

shuffle_arrays([a, b, c])

Algumas coisas a serem observadas:

• A declaração garante que todas as matrizes de entrada tenham o mesmo comprimento ao longo de sua primeira dimensão.
• Matrizes embaralhadas no local por sua primeira dimensão - nada retornou.
• Semente aleatória dentro da faixa int32 positiva.
• Se for necessário um shuffle repetível, o valor da semente pode ser definido.

Após a reprodução aleatória, os dados podem ser divididos usando np.splitou referenciados usando fatias - dependendo do aplicativo.

você pode criar uma matriz como:

s = np.arange(0, len(a), 1)

embaralhe:

np.random.shuffle(s)

Agora use este s como argumento de suas matrizes. os mesmos argumentos embaralhados retornam os mesmos vetores embaralhados.

x_data = x_data[s]
x_label = x_label[s]

Uma maneira pela qual o embaralhamento no local pode ser feito para listas conectadas é usar uma semente (pode ser aleatória) e usar numpy.random.shuffle para fazer o embaralhamento.

# Set seed to a random number if you want the shuffling to be non-deterministic.
def shuffle(a, b, seed):
   np.random.seed(seed)
   np.random.shuffle(a)
   np.random.seed(seed)
   np.random.shuffle(b)

É isso aí. Isso embaralha ambos aeb exatamente da mesma maneira. Isso também é feito no local, o que é sempre uma vantagem.

EDIT, não use np.random.seed () use np.random.RandomState

def shuffle(a, b, seed):
   rand_state = np.random.RandomState(seed)
   rand_state.shuffle(a)
   rand_state.seed(seed)
   rand_state.shuffle(b)

Ao chamá-lo, basta passar qualquer semente para alimentar o estado aleatório:

a = [1,2,3,4]
b = [11, 22, 33, 44]
shuffle(a, b, 12345)

Resultado:

>>> a
[1, 4, 2, 3]
>>> b
[11, 44, 22, 33]

Edit: Corrigido código para re-seedear o estado aleatório

Há uma função conhecida que pode lidar com isso:

from sklearn.model_selection import train_test_split
X, _, Y, _ = train_test_split(X,Y, test_size=0.0)

Apenas definir test_size como 0 evitará dividir e fornecer dados aleatórios. Embora seja geralmente usado para dividir dados de trem e teste, eles também são embaralhados.
Da documentação

Dividir matrizes ou matrizes em subconjuntos aleatórios de trem e teste

Utilitário rápido que envolve a validação de entrada e a próxima (ShuffleSplit (). Split (X, y)) e aplicativo para inserir dados em uma única chamada para dividir (e opcionalmente subamostrar) dados em um oneliner.

Digamos que temos duas matrizes: a e b.

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

Podemos primeiro obter índices de linha permutando a primeira dimensão

indices = np.random.permutation(a.shape[0])
[1 2 0]

Em seguida, use a indexação avançada. Aqui estamos usando os mesmos índices para embaralhar as duas matrizes em uníssono.

a_shuffled = a[indices[:,np.newaxis], np.arange(a.shape[1])]
b_shuffled = b[indices[:,np.newaxis], np.arange(b.shape[1])]

Isso é equivalente a

np.take(a, indices, axis=0)
[[4 5 6]
 [7 8 9]
 [1 2 3]]

np.take(b, indices, axis=0)
[[6 6 6]
 [4 2 0]
 [9 1 1]]

Se você quiser evitar copiar matrizes, sugiro que, em vez de gerar uma lista de permutações, você percorra todos os elementos da matriz e troque aleatoriamente para outra posição na matriz

for old_index in len(a):
    new_index = numpy.random.randint(old_index+1)
    a[old_index], a[new_index] = a[new_index], a[old_index]
    b[old_index], b[new_index] = b[new_index], b[old_index]

Isso implementa o algoritmo de reprodução aleatória de Knuth-Fisher-Yates.

Parece uma solução muito simples:

import numpy as np
def shuffle_in_unison(a,b):

    assert len(a)==len(b)
    c = np.arange(len(a))
    np.random.shuffle(c)

    return a[c],b[c]

a =  np.asarray([[1, 1], [2, 2], [3, 3]])
b =  np.asarray([11, 22, 33])

shuffle_in_unison(a,b)
Out[94]: 
(array([[3, 3],
        [2, 2],
        [1, 1]]),
 array([33, 22, 11]))

Com um exemplo, é isso que estou fazendo:

combo = []
for i in range(60000):
    combo.append((images[i], labels[i]))

shuffle(combo)

im = []
lab = []
for c in combo:
    im.append(c[0])
    lab.append(c[1])
images = np.asarray(im)
labels = np.asarray(lab)

Estendi o random.shuffle () do python para pegar um segundo argumento:

def shuffle_together(x, y):
    assert len(x) == len(y)

    for i in reversed(xrange(1, len(x))):
        # pick an element in x[:i+1] with which to exchange x[i]
        j = int(random.random() * (i+1))
        x[i], x[j] = x[j], x[i]
        y[i], y[j] = y[j], y[i]

Dessa forma, posso ter certeza de que o embaralhamento acontece no local e a função não é muito longa ou complicada.

Basta usar numpy...

Primeiro mescle as duas matrizes de entrada 1D array é labels (y) e 2D array é data (x) e as embaralha com o shufflemétodo NumPy . Finalmente divida-os e volte.

import numpy as np

def shuffle_2d(a, b):
    rows= a.shape[0]
    if b.shape != (rows,1):
        b = b.reshape((rows,1))
    S = np.hstack((b,a))
    np.random.shuffle(S)
    b, a  = S[:,0], S[:,1:]
    return a,b

features, samples = 2, 5
x, y = np.random.random((samples, features)), np.arange(samples)
x, y = shuffle_2d(train, test)