Python NumPy Array öğesinin bir değerden büyük tüm öğelerini değiştir

Bir 2D NumPy dizisi var ve tüm değerleri 255.0 ile bir eşik T veya daha büyük değiştirmek istiyorum. Bildiğim kadarıyla en temel yol:

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. Bunu yapmanın en özlü ve pitonik yolu nedir?

2. Bunu yapmanın daha hızlı (muhtemelen daha az özlü ve / veya daha az pitonik) bir yolu var mı?

Bu, insan kafasının MRI taramaları için bir pencere / seviye ayarlama altyordamının bir parçası olacaktır. 2B numpy dizisi görüntü piksel verileridir.

Bunu yapmanın hem en hızlı hem de en kısa yolunun NumPy'nin yerleşik Fancy dizinini kullanmak olduğunu düşünüyorum. Bir varsa ndarrayadlandırılmış arr, tüm unsurları yerine >255bir değerle xaşağıdaki gibi:

arr[arr > 255] = x

Bunu makinemde 500 x 500 rasgele bir matrisle çalıştırdım,> 0,5'in üzerindeki tüm değerleri 5 ile değiştirdim ve ortalama 7,59 ms sürdü.

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

Aslında arrnerede olduğu farklı bir dizi istediğiniz arr < 255ve 255aksi takdirde, bu basitçe yapılabilir:

result = np.minimum(arr, 255)

Daha genel olarak, bir alt ve / veya üst sınır için:

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

Sadece 255'in üzerindeki değerlere veya daha karmaşık bir şeye erişmek istiyorsanız, @ mtitan8'in cevabı daha geneldir, ancak np.clipve np.minimum(veya np.maximum) davanız için daha güzel ve çok daha hızlıdır:

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

Yerinde yapmak (yani arroluşturmak yerine değiştirmek result) istiyorsanız, şu outparametreyi kullanabilirsiniz np.minimum:

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

veya

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

( out=işlev isteğe bağlı olarak aynı sırada yer alan bağımsız değişkenler olduğundan ad isteğe bağlıdır.)

Yerinde değişiklik için, boole endekslemesi çok hızlanır (kopyayı ayrı ayrı yapmak ve sonra değiştirmek zorunda kalmadan), ancak yine de şu kadar hızlı değildir 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

Karşılaştırma için, değerlerinizi minimum ve maksimum değerlerle sınırlamak isterseniz, clipbunu iki kez yapmak zorunda kalmazsınız,

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

veya,

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

Bence bu whereişlevi kullanarak bunu en hızlı şekilde başarabilirsiniz :

Örneğin, sayısal bir dizide 0,2'den büyük öğeleri aramak ve bunları 0 ile değiştirmek:

import numpy as np

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

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

Numpy.putmask kullanmayı düşünebilirsiniz :

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

İşte Numpy'nin yerleşik indeksleme ile bir performans karşılaştırması:

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

Başka bir yol, np.placeyerinde değiştirme yapan ve çok boyutlu dizilerle çalışan kullanmaktır:

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)

Daha fazla esneklik için &, |(ve / veya) kullanabilirsiniz :

5 ile 10 arasındaki değerler: A[(A>5)&(A<10)]

10'dan büyük veya 5'ten küçük değerler: A[(A<5)|(A>10)]