<div dir="ltr"><div>Hi Alan,</div><div><br></div><div>You can abuse np.argmax to calculate the first nonzero element in a vectorized manner:</div><div><br></div><div>import numpy as np</div><div>A = (2 * np.random.rand(100, 50, 50)).astype(int)</div>
<div><br></div><div>Compare:</div><div><br></div><div>np.argmax(A != 0, axis=0)<br></div><div>np.array([[np.flatnonzero(A[:,i,j])[0] for j in range(50)] for i in range(50)])<br></div><div><br></div><div>You'll also want to check for all zero arrays with np.all:</div>
<div><br></div><div>np.all(A == 0, axis=0)<br></div><div><br></div><div>Cheers,</div><div>Stephan</div></div><div class="gmail_extra"><br><br><div class="gmail_quote">On Thu, Apr 17, 2014 at 9:32 AM, Alan G Isaac <span dir="ltr"><<a href="mailto:alan.isaac@gmail.com" target="_blank">alan.isaac@gmail.com</a>></span> wrote:<br>
<blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex">Given an array A of shape m x n x n<br>
(i.e., a stack of square matrices),<br>
I want an n x n array that gives the<br>
minimum "depth" to a nonzero element.<br>
E.g., the 0,0 element of the result is<br>
np.flatnonzero(A[:,0,0])[0]<br>
Can this be vectorized?<br>
(Assuming a nonzero element exists is ok,<br>
but dealing nicely with its absence is even better.)<br>
<br>
Thanks,<br>
Alan Isaac<br>
_______________________________________________<br>
NumPy-Discussion mailing list<br>
<a href="mailto:NumPy-Discussion@scipy.org">NumPy-Discussion@scipy.org</a><br>
<a href="http://mail.scipy.org/mailman/listinfo/numpy-discussion" target="_blank">http://mail.scipy.org/mailman/listinfo/numpy-discussion</a><br>
</blockquote></div><br></div>