comprobar si una matriz numpy tiene 0 en todos sus bordes [cerrado]

¿Cuál sería la forma más rápida de verificar si una matriz numpy multidimensional tiene 0 en todos los lados?

Entonces, para un ejemplo 2D simple, tengo:

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

Si bien esto está bien para casos 2D a la derecha, escribir para dimensiones más altas es un poco tedioso y me preguntaba si hay algún truco ingenioso y numpy que pueda usar aquí para hacerlo más eficiente y también más fácil de mantener.

Así es como puedes hacerlo:

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

np.take hace lo mismo que la indexación "elegante".

Aquí hay una respuesta que realmente examina las partes de la matriz que le interesan y no pierde el tiempo construyendo una máscara del tamaño de toda la matriz. Hay un bucle a nivel de Python, pero es corto, con iteraciones proporcionales al número de dimensiones en lugar del tamaño de la 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

Reformé la matriz y luego la iteré. Desafortunadamente, mi respuesta asume que tiene al menos tres dimensiones y generará un error para las matrices normales, tendría que agregar una cláusula especial para las matrices con forma de 1 y 2 dimensiones. Además, esto será lento, por lo que probablemente haya mejores soluciones.

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

Que producirá

>>> False
>>> True

Básicamente apilo todas las dimensiones una encima de la otra y luego miro a través de ellas para verificar sus bordes.

tal vez el operador de puntos suspensivos es lo que está buscando, que funcionará para muchas dimensiones:

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)

Puede utilizar el sliceenmascaramiento booleano para hacer el trabajo:

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])

Esta función primero da forma al "núcleo" de la matriz en la tupla s, y luego crea una máscara que se muestra Truesolo para los puntos limítrofes. La indexación booleana entrega los puntos de borde.

Ejemplo de trabajo:

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])

Luego, np.all(borders==0)te dará la información deseada.

Nota: esto se rompe para las matrices unidimensionales, aunque considero que son un caso extremo. Probablemente sea mejor que solo verifique los dos puntos en cuestión allí