當前位置: 首頁>>技術問答>>正文


Python替換NumPy數組中大於某個值的所有元素

我有一個2D(二維) NumPy數組,並希望用255.0替換大於或等於閾值T的所有值。據我所知,最基礎的方法是:

shape = arr.shape
result = np.zeros(shape)
for x in range(0, shape[0]):
    for y in range(0, shape[1]):
        if arr[x, y] >= T:
            result[x, y] = 255
  1. 有更簡潔和pythonic的方式來做到這一點嗎?

  2. 有沒有更快(可能不那麽簡潔和/或不那麽pythonic)的方式來做到這一點?

這將成為人體頭部MRI掃描窗口/等級調整子程序的一部分,2D numpy數組是圖像像素數據。

numpy-ndarray-structure

最佳解決思路

我認為最快和最簡潔的方法是使用Numpy的內置索引。如果您有名為arrndarray,則可以按如下所示將所有元素>255替換為值x

arr[arr > 255] = x

我用500 x 500的隨機矩陣在我的機器上運行了這個函數,用5替換了所有> 0.5的值,平均耗時7.59ms。

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)
In [3]: timeit A[A > 0.5] = 5
100 loops, best of 3: 7.59 ms per loop

次佳解決思路

因為實際上需要一個不同的數組,arr,其中arr < 255,可以簡單地完成:

result = np.minimum(arr, 255)

更一般地,對於下限和/或上限:

result = np.clip(arr, 0, 255)

如果隻是想訪問超過255的值,np.clipnp.minimum(或者np.maximum)對你的情況更好更快。

In [292]: timeit np.minimum(a, 255)
100000 loops, best of 3: 19.6 µs per loop

In [293]: %%timeit
   .....: c = np.copy(a)
   .....: c[a>255] = 255
   .....: 
10000 loops, best of 3: 86.6 µs per loop

如果要執行in-place(即修改arr而不是創建result),則可以使用np.minimumout參數:

np.minimum(arr, 255, out=arr)

或者

np.clip(arr, 0, 255, arr)

(out=名稱是可選的,因為參數的順序與函數的定義相同。)

對於in-place修改,布爾索引加速了很多(不必分別修改和拷貝),但仍然不如minimum

In [328]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: np.minimum(a, 255, a)
   .....: 
100000 loops, best of 3: 303 µs per loop

In [329]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: a[a>255] = 255
   .....: 
100000 loops, best of 3: 356 µs per loop

比較來看,如果你想限製你的最大值和最小值,沒有clip將不得不像下麵這樣做兩次

np.minimum(a, 255, a)
np.maximum(a, 0, a)

要麽,

a[a>255] = 255
a[a<0] = 0

第三種解決思路

可以通過使用where功能來達到最快的速度:

例如,在numpy數組中查找大於0.2的項目,並用0代替它們:

import numpy as np

nums = np.random.rand(4,3)

print np.where(nums > 0.2, 0, nums)

第四種思路

可以考慮使用numpy.putmask

np.putmask(arr, arr>=T, 255.0)

下麵是與Numpy內置索引的性能比較:

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)

In [3]: timeit np.putmask(A, A>0.5, 5)
1000 loops, best of 3: 1.34 ms per loop

In [4]: timeit A[A > 0.5] = 5
1000 loops, best of 3: 1.82 ms per loop

參考資料

本文由《純淨天空》出品。文章地址: https://vimsky.com/zh-tw/article/3727.html,未經允許,請勿轉載。