我有一个2D NumPy数组，想用255.0替换其中大于或等于阈值T的所有值。据我所知，最基本的方法是:
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
最简洁和python化的方法是什么? 是否有更快(可能不那么简洁和/或不那么python化)的方法来做到这一点?
这将是人类头部MRI扫描的窗口/水平调整子程序的一部分。2D numpy数组是图像像素数据。
当前回答
另一种方法是使用np。进行就地替换并使用多维数组的Place:
import numpy as np
# create 2x3 array with numbers 0..5
arr = np.arange(6).reshape(2, 3)
# replace 0 with -10
np.place(arr, arr == 0, -10)
其他回答
我认为最快和最简洁的方法是使用NumPy内置的Fancy索引。如果你有一个名为arr的ndarray，你可以用一个值x替换所有>255的元素，如下所示:
arr[arr > 255] = x
我在我的机器上运行了一个500 x 500的随机矩阵，将所有值>0.5替换为5，平均耗时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
Np.where()工作得很好!
np.where(arr > 255, 255, arr)
例子:
FF = np.array([[0, 0],
[1, 0],
[0, 1],
[1, 1]])
np.where(FF == 1, '+', '-')
Out[]:
array([['-', '-'],
['+', '-'],
['-', '+'],
['+', '+']], dtype='<U1')
因为你实际上想要一个不同的数组，它是arr，其中arr < 255，否则是255，这可以简单地完成:
result = np.minimum(arr, 255)
更一般地说，对于下限和/或上限:
result = np.clip(arr, 0, 255)
如果您只想访问255以上的值，或者更复杂的值，@mtitan8的答案更一般，但它是np。Clip和np。Minimum(或np.maximum)对你的情况更好，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
如果你想在原地(即修改arr而不是创建结果)，你可以使用np.minimum的out参数:
np.minimum(arr, 255, out=arr)
or
np.clip(arr, 0, 255, arr)
(out= name是可选的，因为参数的顺序与函数的定义相同。)
对于原地修改，布尔索引加快了很多(不需要单独创建和修改副本)，但仍然没有最小值那么快:
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
作为比较，如果你想用最小值和最大值来限制你的值，如果没有clip，你就必须这样做两次
np.minimum(a, 255, a)
np.maximum(a, 0, a)
or,
a[a>255] = 255
a[a<0] = 0
你也可以使用&，|(和/或)来获得更大的灵活性:
值在5到10之间:A[(A>5)&(A<10)]
值大于10或小于5:A[(A<5)|(A>10)]
你可以考虑使用numpy.putmask:
np.putmask(arr, arr>=T, 255.0)
下面是Numpy内置索引的性能比较:
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
