我正在尝试向量化滑动窗口操作。对于1-d案例,一个有用的例子可以遵循:
x= vstack((np.array([range(10)]),np.array([range(10)])))
x[1,:]=np.where((x[0,:]<5)&(x[0,:]>0),x[1,x[0,:]+1],x[1,:])
索引的每个当前值的n + 1值&lt; 5。但是我得到了这个错误:
x[1,:]=np.where((x[0,:]<2)&(x[0,:]>0),x[1,x[0,:]+1],x[1,:])
IndexError: index (10) out of range (0<=index<9) in dimension 1
奇怪的是,我不会为n-1值得到这个错误,这意味着索引小于0.它似乎并不介意:
x[1,:]=np.where((x[0,:]<5)&(x[0,:]>0),x[1,x[0,:]-1],x[1,:])
print(x)
[[0 1 2 3 4 5 6 7 8 9]
[0 0 1 2 3 5 6 7 8 9]]
这周围有吗?我的方法完全错了吗?任何意见将不胜感激。
编辑:
这就是我想要实现的目标,我将矩阵展平为一个numpy数组,我想要计算每个单元格的6x6邻域的平均值:
matriz = np.array([[1,2,3,4,5],
[6,5,4,3,2],
[1,1,2,2,3],
[3,3,2,2,1],
[3,2,1,3,2],
[1,2,3,1,2]])
# matrix to vector
vector2 = ndarray.flatten(matriz)
ncols = int(shape(matriz)[1])
nrows = int(shape(matriz)[0])
vector = np.zeros(nrows*ncols,dtype='float64')
# Interior pixels
if ( (i % ncols) != 0 and (i+1) % ncols != 0 and i>ncols and i<ncols*(nrows-1)):
vector[i] = np.mean(np.array([vector2[i-ncols-1],vector2[i-ncols],vector2[i-ncols+1],vector2[i-1],vector2[i+1],vector2[i+ncols-1],vector2[i+ncols],vector2[i+ncols+1]]))
答案 0 :(得分:8)
如果我正确理解了这个问题,你想在索引周围采用所有数字1的步长,而忽略索引。
我修补了你的功能,我相信你会这样做:
def original(matriz):
vector2 = np.ndarray.flatten(matriz)
nrows, ncols= matriz.shape
vector = np.zeros(nrows*ncols,dtype='float64')
# Interior pixels
for i in range(vector.shape[0]):
if ( (i % ncols) != 0 and (i+1) % ncols != 0 and i>ncols and i<ncols*(nrows-1)):
vector[i] = np.mean(np.array([vector2[i-ncols-1],vector2[i-ncols],\
vector2[i-ncols+1],vector2[i-1],vector2[i+1],\
vector2[i+ncols-1],vector2[i+ncols],vector2[i+ncols+1]]))
我使用切片和视图重写了这个:
def mean_around(arr):
arr=arr.astype(np.float64)
out= np.copy(arr[:-2,:-2]) #Top left corner
out+= arr[:-2,2:] #Top right corner
out+= arr[:-2,1:-1] #Top center
out+= arr[2:,:-2] #etc
out+= arr[2:,2:]
out+= arr[2:,1:-1]
out+= arr[1:-1,2:]
out+= arr[1:-1,:-2]
out/=8.0 #Divide by # of elements to obtain mean
cout=np.empty_like(arr) #Create output array
cout[1:-1,1:-1]=out #Fill with out values
cout[0,:]=0;cout[-1,:]=0;cout[:,0]=0;cout[:,-1]=0 #Set edges equal to zero
return cout
使用np.empty_like
,然后填充边缘似乎比np.zeros_like
略快。首先让我们仔细检查他们使用matriz
数组给出相同的东西。
print np.allclose(mean_around(matriz),original(matriz))
True
print mean_around(matriz)
[[ 0. 0. 0. 0. 0. ]
[ 0. 2.5 2.75 3.125 0. ]
[ 0. 3.25 2.75 2.375 0. ]
[ 0. 1.875 2. 2. 0. ]
[ 0. 2.25 2.25 1.75 0. ]
[ 0. 0. 0. 0. 0. ]]
一些时间:
a=np.random.rand(500,500)
print np.allclose(original(a),mean_around(a))
True
%timeit mean_around(a)
100 loops, best of 3: 4.4 ms per loop
%timeit original(a)
1 loops, best of 3: 6.6 s per loop
大约加速1500倍。
看起来像是一个使用numba的好地方:
def mean_numba(arr):
out=np.zeros_like(arr)
col,rows=arr.shape
for x in xrange(1,col-1):
for y in xrange(1,rows-1):
out[x,y]=(arr[x-1,y+1]+arr[x-1,y]+arr[x-1,y-1]+arr[x,y+1]+\
arr[x,y-1]+arr[x+1,y+1]+arr[x+1,y]+arr[x+1,y-1])/8.
return out
nmean= autojit(mean_numba)
现在让我们与所有呈现的方法进行比较。
a=np.random.rand(5000,5000)
%timeit mean_around(a)
1 loops, best of 3: 729 ms per loop
%timeit nmean(a)
10 loops, best of 3: 169 ms per loop
#CT Zhu's answer
%timeit it_mean(a)
1 loops, best of 3: 36.7 s per loop
#Ali_m's answer
%timeit fast_local_mean(a,(3,3))
1 loops, best of 3: 4.7 s per loop
#lmjohns3's answer
%timeit scipy_conv(a)
1 loops, best of 3: 3.72 s per loop
numba up的4倍速度是相当标称的,表明numpy代码与它的获得一样好。我提取了其他代码,尽管我确实必须改变@ CTZhu的答案以包含不同的数组大小。
答案 1 :(得分:4)
听起来你正在尝试计算2D卷积。如果您能够使用scipy
,我建议您尝试scipy.signal.convolve2d:
matriz = np.random.randn(10, 10)
# to average a 3x3 neighborhood
kernel = np.ones((3, 3), float)
# to compute the mean, divide by size of neighborhood
kernel /= kernel.sum()
average = scipy.signal.convolve2d(matriz, kernel)
如果您将convolve2d“展开”到其组成循环中,则可以看出计算所有3x3邻域的平均值的原因。有效地(并忽略在源和内核数组的边缘发生的事情),它正在计算:
X, Y = kernel.shape
for i in range(matriz.shape[0]):
for j in range(matriz.shape[1]):
for ii in range(X):
for jj in range(Y):
average[i, j] += kernel[ii, jj] * matriz[i+ii, j+jj]
因此,如果内核中的每个值都是1 /(1 + 1 + 1 + 1 + 1 + 1 + 1 + 1 + 1)== 1/9,则可以将上面的代码重写为:
for i in range(matriz.shape[0]):
for j in range(matriz.shape[1]):
average[i, j] = 1./9 * matriz[i:i+X, j:j+Y].sum()
与从i, j
开始在3x3区域内计算matriz中值的平均值完全相同。
以这种方式执行操作的一个优点是,您可以通过适当地设置内核中的值来轻松更改与邻域关联的权重。因此,举例来说,如果你想让每个邻域的中心值的权重是其他邻域的两倍,你可以像这样构建内核:
kernel = np.ones((3, 3), float)
kernel[1, 1] = 2.
kernel /= kernel.sum()
并且卷积码将保持不变,但计算将产生不同类型的平均值(“中心加权”值)。这里有很多可能性;希望这为你正在完成的任务提供了一个很好的抽象。
答案 2 :(得分:3)
恰好是Scipy标准库中的一个函数,它可以非常快速地计算滑动窗口的平均值。它被称为uniform_filter
。您可以使用它来实现您的邻域均值函数,如下所示:
from scipy.ndimage.filters import uniform_filter
def neighbourhood_average(arr, win=3):
sums = uniform_filter(arr, win, mode='constant') * (win*win)
return ((sums - arr) / (win*win - 1))
这将返回一个数组X
,其中X[i,j]
是i,j
中arr
的所有邻居的平均值,不包括i,j
本身。请注意,第一列和最后一列以及第一行和最后一行受边界条件限制,因此可能对您的应用程序无效(如果需要,您可以使用mode=
来控制边界规则。)
由于uniform_filter
使用直接C中实现的高效线性时间算法(仅arr
大小的线性),因此它应该轻松胜过任何其他解决方案,尤其是在win
时很大。
答案 3 :(得分:2)
问题在于x[1,x[0,:]+1]
,第二轴的索引:x[0,:]+1
是[1 2 3 4 5 6 7 8 9 10]
,其中索引10
大于x的维度。
在x[1,x[0,:]-1]
的情况下,第二轴的索引为[-1 0 1 2 3 4 5 6 7 8 9]
,您最终获得[9 0 1 2 3 4 5 6 7 8]
,因为9
是最后一个元素且具有索引-1
。从结尾开始的第二个元素的索引是-2,依此类推。
对于np.where((x[0,:]<5)&(x[0,:]>0),x[1,x[0,:]-1],x[1,:])
和x[0,:]=[0 1 2 3 4 5 6 7 8 9]
,基本上发生的是第一个单元格采用x[1,:]
格式,因为x[0,0]
为0而x[0,:]<5)&(x[0,:]>0
为{ {1}}。接下来的四个元素取自False
。其余的来自x[1,x[0,:]-1]
。最后结果是x[1,:]
对于只有1个单元格的滑动窗口似乎没什么问题,但它会给你带来惊喜:
[0 0 1 2 3 4 5 6 7 8]
当您尝试通过两个单元格的窗口移动它时。
对于这个特定的问题,如果我们想把每一件事都放在一行,那么,这样做:
>>> np.where((x[0,:]<5)&(x[0,:]>0),x[1,x[0,:]-2],x[1,:])
array([0, 9, 0, 1, 2, 5, 6, 7, 8, 9])
编辑: 现在我更好地理解您的原始问题,基本上您想要采用2D数组并计算每个单元格周围的N * N单元平均值。这很常见。首先,您可能希望将N限制为奇数,否则难以定义单元格周围的2 * 2平均值。假设我们想要3 * 3的平均值:
>>> for i in [1, 2, 3, 4, 5, 6]:
print hstack((np.where(x[1,x[0,:]-i]<x[0, -i], x[1,x[0,:]-i], 0)[:5], x[0,5:]))
[0 0 1 2 3 5 6 7 8 9]
[0 0 0 1 2 5 6 7 8 9]
[0 0 0 0 1 5 6 7 8 9]
[0 0 0 0 0 5 6 7 8 9]
[0 0 0 0 0 5 6 7 8 9]
[0 0 0 0 0 5 6 7 8 9]
我认为你不需要压扁2D阵列,这会造成混乱。此外,如果您希望以不同方式处理边缘元素而不是仅修剪它们,请考虑使用“移动原始数组”步骤中的#In this example, the shape is (10,10)
>>> a1=\
array([[3, 7, 0, 9, 0, 8, 1, 4, 3, 3],
[5, 6, 5, 2, 9, 2, 3, 5, 2, 9],
[0, 9, 8, 5, 3, 1, 8, 1, 9, 4],
[7, 4, 0, 0, 9, 3, 3, 3, 5, 4],
[3, 1, 2, 4, 8, 8, 2, 1, 9, 6],
[0, 0, 3, 9, 3, 0, 9, 1, 3, 3],
[1, 2, 7, 4, 6, 6, 2, 6, 2, 1],
[3, 9, 8, 5, 0, 3, 1, 4, 0, 5],
[0, 3, 1, 4, 9, 9, 7, 5, 4, 5],
[4, 3, 8, 7, 8, 6, 8, 1, 1, 8]])
#move your original array 'a1' around, use range(-2,2) for 5*5 average and so on
>>> movea1=[a1[np.clip(np.arange(10)+i, 0, 9)][:,np.clip(np.arange(10)+j, 0, 9)] for i, j in itertools.product(*[range(-1,2),]*2)]
#then just take the average
>>> averagea1=np.mean(np.array(movea1), axis=0)
#trim the result array, because the cells among the edges do not have 3*3 average
>>> averagea1[1:10-1, 1:10-1]
array([[ 4.77777778, 5.66666667, 4.55555556, 4.33333333, 3.88888889,
3.66666667, 4. , 4.44444444],
[ 4.88888889, 4.33333333, 4.55555556, 3.77777778, 4.55555556,
3.22222222, 4.33333333, 4.66666667],
[ 3.77777778, 3.66666667, 4.33333333, 4.55555556, 5. ,
3.33333333, 4.55555556, 4.66666667],
[ 2.22222222, 2.55555556, 4.22222222, 4.88888889, 5. ,
3.33333333, 4. , 3.88888889],
[ 2.11111111, 3.55555556, 5.11111111, 5.33333333, 4.88888889,
3.88888889, 3.88888889, 3.55555556],
[ 3.66666667, 5.22222222, 5. , 4. , 3.33333333,
3.55555556, 3.11111111, 2.77777778],
[ 3.77777778, 4.77777778, 4.88888889, 5.11111111, 4.77777778,
4.77777778, 3.44444444, 3.55555556],
[ 4.33333333, 5.33333333, 5.55555556, 5.66666667, 5.66666667,
4.88888889, 3.44444444, 3.66666667]])
制作蒙版数组。