一、函數(shù)解釋
setdiff1d(ar1, ar2, assume_unique=False)
1.功能：找到2個數(shù)組中集合元素的差異。
2.返回值：在ar1中但不在ar2中的已排序的唯一值。
3.參數(shù)：
ar1：array_like 輸入數(shù)組。
ar2：array_like 輸入比較數(shù)組。
assume_unique：bool。如果為True，則假定輸入數(shù)組是唯一的，即可以加快計算速度。 默認值為False。
二、具體示例
1.assume_unique = False的情況：
a = np.array([1,2,3])
b = np.array([4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2 3]
a = np.array([1,2,3])
b = np.array([1,2,3])
c = np.setdiff1d(a, b)
print(c)#[]
a = np.array([1,2,3])
b = np.array([2,3,4])
c = np.setdiff1d(a, b)
print(c)#[1]
a = np.array([1,2,3,4])
b = np.array([3,4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2]
a = np.array([1,2,3,2,4,1])
b = np.array([3,4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2]
a = np.array([8,2,3,2,4,1])
b = np.array([7,4,5,6,3])
c = np.setdiff1d(a, b)
print(c)#[1 2 8]
可以從最后看出返回的值從小到大排序，并且唯一。（8在a的第1位，2在a中重復了2次）
2.assume_unique = True的情況：
a = np.array([3,2,1])
b = np.array([4,5,6])
c = np.setdiff1d(a, b,True)
print(c)#[3 2 1]
a = np.array([8,2,3,2,4,1])
b = np.array([7,4,5,6,3])
c = np.setdiff1d(a, b,True)
print(c)#[8 2 2 1]
a = np.array([8,2,3,4,2,4,1])
b = np.array([7,9,5,6,3])
c = np.setdiff1d(a, b,True)
print(c)#[8 2 4 2 4 1]
可以看出把在a中的但是不在b中的元素按a中的順序排序，并且不合并重復的元素，即假定輸入數(shù)組也是唯一的，因此相比于False確實提升了運算速度。
三、整體代碼
import numpy as np
def main():
a = np.array([1,2,3])
b = np.array([4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2 3]
a = np.array([1,2,3])
b = np.array([1,2,3])
c = np.setdiff1d(a, b)
print(c)#[]
a = np.array([1,2,3])
b = np.array([2,3,4])
c = np.setdiff1d(a, b)
print(c)#[1]
a = np.array([1,2,3,4])
b = np.array([3,4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2]
a = np.array([1,2,3,2,4,1])
b = np.array([3,4,5,6])
c = np.setdiff1d(a, b)
print(c)#[1 2]
a = np.array([8,2,3,2,4,1])
b = np.array([7,4,5,6,3])
c = np.setdiff1d(a, b)
print(c)#[1 2 8]
a = np.array([3,2,1])
b = np.array([4,5,6])
c = np.setdiff1d(a, b,True)
print(c)#[3 2 1]
a = np.array([8,2,3,2,4,1])
b = np.array([7,4,5,6,3])
c = np.setdiff1d(a, b,True)
print(c)#[8 2 2 1]
a = np.array([8,2,3,4,2,4,1])
b = np.array([7,9,5,6,3])
c = np.setdiff1d(a, b,True)
print(c)#[8 2 4 2 4 1]
if __name__ == '__main__':
main()
補充：Python編程之numpy庫函數(shù)in1d的使用
最近利用Python作數(shù)值分析時使用到numpy庫下的in1d函數(shù)。in1d函數(shù)與excel中vlookup函數(shù)和MATLAB中ismember函數(shù)有相似之處。其作用在于在序列B中尋找與序列A相同的值，并返回一邏輯值（True,False）或邏輯值構成的向量。
具體例子見下文
設mask為邏輯值向量，矩陣x的第一列為待查找向量，d為被查詢向量(或值)，即查找x中與d中指定元素相同的值，并返回邏輯值向量mask。mask是由一系列True和False值構成，True代表找到相同的值，而False代表沒找到相同的值。演示如下：
mask= np.in1d(x.values[:,1],d[1],invert=False) ##x為DataFrame型數(shù)據(jù)，x.values[:,1]表示取第二列值
x_temp=x[mask]
示取第二列值
該例旨在查找 x 的第二列值中與d向量中第二個元素相同的部分 ，并返回mask邏輯向量；然后x_temp返回x中mask邏輯值為True的行。
mask向量的類型為bool，查看具體值下圖所示：
值得注意的地方在于in1d函數(shù)中invert參數(shù)的設置。當invert=True時，mask中的元素值為True的部分對x.values[:,1]中與當前查找的元素d[i]不同的部分(i為當前查找位置)，相同的部分則為false；當invert=False時，mask中的元素值為True的部分對x.values[:,1]中與當前查找的元素d[i]相同的部分(i為當前查找位置)。
演示見下圖：
當mask= np.in1d(x.values[:,1],d[2],invert=True)
當mask= np.in1d(x.values[:,1],d[2],invert=False)時
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Python 機器學習庫 NumPy入門教程
- Python基礎之Numpy的基本用法詳解
- Python基礎之numpy庫的使用
- Python利用numpy實現(xiàn)三層神經(jīng)網(wǎng)絡的示例代碼
- Python數(shù)據(jù)清洗工具之Numpy的基本操作
- Python Numpy之linspace用法說明
- python 將numpy維度不同的數(shù)組相加相乘操作
- python numpy.power()數(shù)組元素求n次方案例
- python中numpy.empty()函數(shù)實例講解
- python中numpy數(shù)組與list相互轉(zhuǎn)換實例方法
- Python OpenCV中的numpy與圖像類型轉(zhuǎn)換操作
- Python機器學習三大件之一numpy
