python numpy中setdiff1d的用法说明
一、函数解释
setdiff1d(ar1, ar2, assume_unique=False)
1.功能：找到2个数组中集合元素的差异。
2.返回值：在ar1中但不在ar2中的已排序的唯一值。
3.参数：
ar1：array_like 输入数组。
ar2：array_like 输入比较数组。
assume_unique：bool。如果为True，则假定输入数组是唯一的，即可以加快计算速度。 默认值为False。
二、具体示例
1.assume_unique = False的情况：
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]
可以从最后看出返回的值从小到大排序，并且唯一。（8在a的第1位，2在a中重复了2次）
2.assume_unique = True的情况：
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中的顺序排序，并且不合并重复的元素，即假定输入数组也是唯一的，因此相比于False确实提升了运算速度。
三、整体代码
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()
补充：Python编程之numpy库函数in1d的使用
最近利用Python作数值分析时使用到numpy库下的in1d函数。in1d函数与excel中vlookup函数和MATLAB中ismember函数有相似之处。其作用在于在序列B中寻找与序列A相同的值，并返回一逻辑值（True,False）或逻辑值构成的向量。
具体例子见下文
设mask为逻辑值向量，矩阵x的第一列为待查找向量，d为被查询向量(或值)，即查找x中与d中指定元素相同的值，并返回逻辑值向量mask。mask是由一系列True和False值构成，True代表找到相同的值，而False代表没找到相同的值。演示如下：
mask= np.in1d(x.values[:,1],d[1],invert=False) ##x为DataFrame型数据，x.values[:,1]表示取第二列值 x_temp=x[mask]
示取第二列值
x_temp=x[mask]
该例旨在查找 x 的第二列值中与d向量中第二个元素相同的部分 ，并返回mask逻辑向量；然后x_temp返回x中mask逻辑值为True的行。
mask向量的类型为bool，查看具体值下图所示：
值得注意的地方在于in1d函数中invert参数的设置。当invert=True时，mask中的元素值为True的部分对x.values[:,1]中与当前查找的元素d[i]不同的部分(i为当前查找位置)，相同的部分则为false；当invert=False时，mask中的元素值为True的部分对x.values[:,1]中与当前查找的元素d[i]相同的部分(i为当前查找位置)。
演示见下图：
当mask= np.in1d(x.values[:,1],d[2],invert=True)
当mask= np.in1d(x.values[:,1],d[2],invert=False)时
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。
相关文章
这篇文章主要介绍了Python与Java间Socket通信实例代码的相关资料,需要的朋友可以参考下2017-03-03
这篇文章主要介绍了Python代码注释规范代码实例解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-08-08
这篇文章主要介绍了Python建立Map写Excel表实例解析，具有一定借鉴价值,需要的朋友可以参考下2018-01-01
这篇文章主要介绍了详解Python中正则匹配TAB及空格的小技巧,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧2019-07-07
这篇文章主要介绍了Python sqlite3查询操作过程解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下2020-02-02
在本篇文章里小编给各位分享的是一篇关于Python3爬虫带上cookie的实例代码内容，需要的朋友们可以学习下。2020-07-07
词频统计是指在文本或语音数据中，统计每个单词或符号出现的次数，以便对文本或语音数据进，这篇文章将详细介绍分词后如何进行词频统计分析2023-06-06
在Python中,heapq模块提供了实现最小堆算法的数据结构,能够用作优先队列,本文将详细介绍heapq模块,包括堆的基本概念、heapq的功能和示例代码,需要的可以参考下2023-12-12
Django 使用 Python 内置的 logging 模块处理系统日志，所以，只要掌握了 Python 中的 logging 模块，基本也就能够在 django 中使用日志了，本文重点给大家介绍django 中使用日志的方法，感兴趣的朋友一起看看吧2022-07-07
这篇文章主要介绍了Python实现脚本一键自动整理办公文件，文件下载文件夹就变得乱七八糟，整理的时候非常痛苦,巴不得有一个自动化的工具帮我归类文档。下面小编就给大家分享自动化整理文件的小技巧，需要的朋友可以参考一下文章内容2022-02-02
最新评论