Question

我有一个 MxN 的二维整数数组，我想将数组扩展为（BM）x（BN），其中 B < / em>是方形图块边的长度，因此输入数组的每个元素在最终数组中作为 BxB 块重复。下面是嵌套for循环的示例。是否有更快/内置的方式？

import numpy as np a = np.arange(9).reshape([3,3]) # input array - 3x3 B=2. # block size - 2 A = np.zeros([a.shape[0]*B,a.shape[1]*B]) # output array - 6x6 # Loop, filling A with tiled values of a at each index for i,l in enumerate(a): # lines in a for j,aij in enumerate(l): # a[i,j] A[B*i:B*(i+1),B*j:B*(j+1)] = aij

结果......

a= [[0 1 2] [3 4 5] [6 7 8]] A = [[ 0. 0. 1. 1. 2. 2.] [ 0. 0. 1. 1. 2. 2.] [ 3. 3. 4. 4. 5. 5.] [ 3. 3. 4. 4. 5. 5.] [ 6. 6. 7. 7. 8. 8.] [ 6. 6. 7. 7. 8. 8.]]

Answer 1

一个选项是

>>> a.repeat(2, axis=0).repeat(2, axis=1)
array([[0, 0, 1, 1, 2, 2],
       [0, 0, 1, 1, 2, 2],
       [3, 3, 4, 4, 5, 5],
       [3, 3, 4, 4, 5, 5],
       [6, 6, 7, 7, 8, 8],
       [6, 6, 7, 7, 8, 8]])

由于中间阵列，这有点浪费，但至少简洁。

Answer 2

这是一种使用步幅技巧和重塑的潜在快速方法：

from numpy.lib.stride_tricks import as_strided

def tile_array(a, b0, b1):
    r, c = a.shape                                    # number of rows/columns
    rs, cs = a.strides                                # row/column strides 
    x = as_strided(a, (r, b0, c, b1), (rs, 0, cs, 0)) # view a as larger 4D array
    return x.reshape(r*b0, c*b1)                      # create new 2D array

调用a时会复制reshape中的基础数据，因此此函数不会返回视图。但是，与沿多个轴使用repeat相比，需要的复制操作更少。

然后可以按如下方式使用该函数：

>>> a = np.arange(9).reshape(3, 3)
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

>>> tile_array(a, 2, 2)
array([[0, 0, 1, 1, 2, 2],
       [0, 0, 1, 1, 2, 2],
       [3, 3, 4, 4, 5, 5],
       [3, 3, 4, 4, 5, 5],
       [6, 6, 7, 7, 8, 8],
       [6, 6, 7, 7, 8, 8]])

>>> tile_array(a, 3, 4)
array([[0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
       [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
       [0, 0, 0, 0, 1, 1, 1, 1, 2, 2, 2, 2],
       [3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5],
       [3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5],
       [3, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5],
       [6, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8],
       [6, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8],
       [6, 6, 6, 6, 7, 7, 7, 7, 8, 8, 8, 8]])

现在，对于小块，此方法比使用repeat慢一点但比kron快。

然而，对于稍大的块，它比其他替代品更快。例如，使用块形状(20, 20)：

>>> %timeit tile_array(a, 20, 20)
100000 loops, best of 3: 18.7 µs per loop

>>> %timeit a.repeat(20, axis=0).repeat(20, axis=1)
10000 loops, best of 3: 26 µs per loop

>>> %timeit np.kron(a, np.ones((20,20), a.dtype))
10000 loops, best of 3: 106 µs per loop

方法之间的差距随着块大小的增加而增加。

如果a是一个大型数组，它可能比替代方案更快：

>>> a2 = np.arange(1000000).reshape(1000, 1000)
>>> %timeit tile_array(a2, 2, 2)
100 loops, best of 3: 11.4 ms per loop

>>> %timeit a2.repeat(2, axis=0).repeat(2, axis=1)
1 loops, best of 3: 30.9 ms per loop

Answer 3

可能不是最快的，但是......

np.kron(a, np.ones((B,B), a.dtype))

它执行Kronecker product，因此它涉及输出中每个元素的乘法。

通过最近邻居平铺对numpy数组进行上采样的快速方法

3 个答案: