Question

我被要求在二维数组/矩阵（行，列）中试验numpy计算值，其中这些值取决于相邻值。我承认，这不仅仅是将矩阵与标量或类似的东西相乘，即使它可以简化为一系列这样的步骤。

尽管这是家庭作业，但我的问题范围更广，而不仅仅是要求向我提出解决方案。

我已经读过numpy中的广播，即矢量化，我可以想象一种方法是将它作为新的 ufunc 实现并在矩阵上运行。但是，我有点担心我可能面临的限制 - numpy ufunc 可以访问相邻元素，而不是它在当前迭代中计算的那个吗？从概念上讲：

for x in columns:
    for y in rows:
        a[x, y] = a[x, y - 1] + a[x, y + 1] + a[x - 1, y] + a[x + 1, y] + A + B + b[x, y] # '+' is just an example of a binary op here.

意味着每个单元格中的值取决于相邻单元格，还有一些常量甚至是另一个矩阵中的值。

阅读numpy文档并没有给我带来太多帮助。在numpy中这样做的首选/惯用方法是什么？

Answer 1

您所描述的内容在图像处理中非常常见 - 它被称为应用内核进行二维过滤（只是为了给你一些谷歌的东西）。来自Numpy ndimage documentation：

本节中描述的功能都执行某种类型的功能输入数组的空间过滤：输出中的元素是相应的邻域中的某些值的函数输入元素。我们将这个元素邻域称为过滤器内核，通常是矩形的，但也可能有任意足迹。下面介绍的许多功能都可以实现通过传递掩码来定义内核的占用空间足迹参数。例如，可以定义十字形内核如下：
footprint = array([[0,1,0],[1,1,1],[0,1,0]])
footprint array([[0, 1, 0],
                 [1, 1, 1],
                 [0, 1, 0]])

您接下来要做的是使用convolve function：

from scipy import ndimage
output = ndimage.convolve(matrix, footprint)

如果你想＆＃34;包装＆＃34;类似于xnx's answer的行为，使用mode="wrap"参数convolve：

output = ndimage.convolve(matrix, footprint, mode="wrap")

Answer 2

在简单的情况下，适当地切片阵列可能会有所帮助。例如，要将数组a中的相邻列和行添加到输出数组B：

In [5]: B = a.copy()
In [6]: B[1:,:] += a[:-1,:]
In [7]: B[:-1,:] += a[1:,:]
In [8]: B[:,1:] += a[:,:-1]
In [9]: B[:,:-1] += a[:,1:]

（这与其他答案中建议的convolve方法的结果不完全相同，因为它以不同的方式处理数组的边缘。）

在NumPy中，基于邻近值计算值的惯用方法是什么？

2 个答案: