我有一個(gè)2D(二維) NumPy數(shù)組，并希望用255.0替換大于或等于閾值T的所有值。據(jù)我所知，最基礎(chǔ)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

有更簡(jiǎn)潔和pythonic的方式來(lái)做到這一點(diǎn)嗎？

有沒(méi)有更快(可能不那么簡(jiǎn)潔和/或不那么pythonic)的方式來(lái)做到這一點(diǎn)？

這將成為人體頭部MRI掃描窗口/等級(jí)調(diào)整子程序的一部分，2D numpy數(shù)組是圖像像素?cái)?shù)據(jù)。

最佳解決思路

我認(rèn)為最快和最簡(jiǎn)潔的方法是使用Numpy的內(nèi)置索引。如果您有名為arr的ndarray，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(jī)矩陣在我的機(jī)器上運(yùn)行了這個(gè)函數(shù)，用5替換了所有> 0.5的值，平均耗時(shí)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?yàn)閷?shí)際上需要一個(gè)不同的數(shù)組，arr，其中arr < 255，可以簡(jiǎn)單地完成：

result = np.minimum(arr, 255)

更一般地，對(duì)于下限和/或上限：

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

如果只是想訪問(wèn)超過(guò)255的值，np.clip和np.minimum(或者np.maximum)對(duì)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(zhí)行in-place(即修改arr而不是創(chuàng)建result)，則可以使用np.minimum的out參數(shù)：

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

或者

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

(out=名稱是可選的，因?yàn)閰?shù)的順序與函數(shù)的定義相同。)

對(duì)于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(lái)看，如果你想限制你的最大值和最小值，沒(méi)有clip將不得不像下面這樣做兩次

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

要么，

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

第三種解決思路

可以通過(guò)使用where功能來(lái)達(dá)到最快的速度：

例如，在numpy數(shù)組中查找大于0.2的項(xiàng)目，并用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)

下面是與Numpy內(nèi)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

以上這篇Python替換NumPy數(shù)組中大于某個(gè)值的所有元素實(shí)例就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

最新評(píng)論