如何以有效的方式访问和修改2D numpy阵列的周围8个单元？
我有一个像这样的2D numpy数组:
arr = np.random.rand(720, 1440)
对于每个网格单元,我想减少中心单元的10%,周围的8个单元(角单元更少),但仅当周围单元值超过0.25时.我怀疑这样做的唯一方法是使用for循环但是想看看是否有更好/更快的解决方案.
- 编辑:对于基于循环的soln:
arr = np.random.rand(720, 1440)
for (x, y), value in np.ndenumerate(arr):
# Find 10% of current cell
reduce_by = value * 0.1
# Reduce the nearby 8 cells by 'reduce_by' but only if the cell value exceeds 0.25
# [0] [1] [2]
# [3] [*] [5]
# [6] [7] [8]
# * refers to current cell
# cell [0]
arr[x-1][y+1] = arr[x-1][y+1] * reduce_by if arr[x-1][y+1] > 0.25 else arr[x-1][y+1]
# cell [1]
arr[x][y+1] = arr[x][y+1] * reduce_by if arr[x][y+1] > 0.25 else arr[x][y+1]
# cell [2]
arr[x+1][y+1] = arr[x+1][y+1] * reduce_by if arr[x+1][y+1] > 0.25 else arr[x+1][y+1]
# cell [3]
arr[x-1][y] = arr[x-1][y] * reduce_by if arr[x-1][y] > 0.25 else arr[x-1][y]
# cell [4] or current cell
# do nothing
# cell [5]
arr[x+1][y] = arr[x+1][y] * reduce_by if arr[x+1][y] > 0.25 else arr[x+1][y]
# cell [6]
arr[x-1][y-1] = arr[x-1][y-1] * reduce_by if arr[x-1][y-1] > 0.25 else arr[x-1][y-1]
# cell [7]
arr[x][y-1] = arr[x][y-1] * reduce_by if arr[x][y-1] > 0.25 else arr[x][y-1]
# cell [8]
arr[x+1][y-1] = arr[x+1][y-1] * reduce_by if arr[x+1][y-1] > 0.25 else arr[x+1][y-1]
这个答案假设您确实想完全按照您在问题中所写的操作。好吧，几乎完全一样，因为您的代码因索引越界而崩溃。解决这个问题最简单的方法是添加条件，例如，
\n\nif x > 0 and y < y_max:\n arr[x-1][y+1] = ...\n主操作无法使用 numpy 或 scipy 进行向量化的原因是，所有单元格都被一些已经\xe2\x80\x9creduced\xe2\x80\x9d 的邻居单元格\xe2\x80\x9creduced\xe2\x80\x9d 。Numpy 或 scipy 将在每个操作中使用邻居的未受影响的值。在我的另一个答案中，我展示了如何使用 numpy 执行此操作，如果允许您将操作分为 8 个步骤，每个步骤沿着一个特定邻居的方向，但每个步骤都使用该邻居的该步骤中不受影响的值。正如我所说，这里我认为你必须按顺序进行。
\n\n在继续之前，让我交换您的代码中的x和。y您的阵列具有典型的屏幕尺寸，其中高度为 720，宽度为 1440。图像通常按行存储，默认情况下，ndarray 中最右边的索引是变化较快的索引，因此一切都有意义。诚然，这违反直觉，但正确的索引是arr[y, x].
可以应用于代码的主要优化（在我的 Mac 上将执行时间从 ~9 秒减少到 ~3.9 秒）是在不需要时不要将单元格分配给自身，再加上就地乘法 和with[y, x]而不是[y][x]索引。像这样：
y_size, x_size = arr.shape\ny_max, x_max = y_size - 1, x_size - 1\nfor (y, x), value in np.ndenumerate(arr):\n reduce_by = value * 0.1\n if y > 0 and x < x_max:\n if arr[y - 1, x + 1] > 0.25: arr[y - 1, x + 1] *= reduce_by\n if x < x_max:\n if arr[y , x + 1] > 0.25: arr[y , x + 1] *= reduce_by\n if y < y_max and x < x_max:\n if arr[y + 1, x + 1] > 0.25: arr[y + 1, x + 1] *= reduce_by\n if y > 0:\n if arr[y - 1, x ] > 0.25: arr[y - 1, x ] *= reduce_by\n if y < y_max:\n if arr[y + 1, x ] > 0.25: arr[y + 1, x ] *= reduce_by\n if y > 0 and x > 0:\n if arr[y - 1, x - 1] > 0.25: arr[y - 1, x - 1] *= reduce_by\n if x > 0:\n if arr[y , x - 1] > 0.25: arr[y , x - 1] *= reduce_by\n if y < y_max and x > 0:\n if arr[y + 1, x - 1] > 0.25: arr[y + 1, x - 1] *= reduce_by\n另一项优化（在我的 Mac 上将执行时间进一步缩短至约 3.0 秒）是通过使用具有额外边界单元的数组来避免边界检查。我们不关心边界包含什么值，因为它永远不会被使用。这是代码：
\n\ny_size, x_size = arr.shape\narr1 = np.empty((y_size + 2, x_size + 2))\narr1[1:-1, 1:-1] = arr\nfor y in range(1, y_size + 1):\n for x in range(1, x_size + 1):\n reduce_by = arr1[y, x] * 0.1\n if arr1[y - 1, x + 1] > 0.25: arr1[y - 1, x + 1] *= reduce_by\n if arr1[y , x + 1] > 0.25: arr1[y , x + 1] *= reduce_by\n if arr1[y + 1, x + 1] > 0.25: arr1[y + 1, x + 1] *= reduce_by\n if arr1[y - 1, x ] > 0.25: arr1[y - 1, x ] *= reduce_by\n if arr1[y + 1, x ] > 0.25: arr1[y + 1, x ] *= reduce_by\n if arr1[y - 1, x - 1] > 0.25: arr1[y - 1, x - 1] *= reduce_by\n if arr1[y , x - 1] > 0.25: arr1[y , x - 1] *= reduce_by\n if arr1[y + 1, x - 1] > 0.25: arr1[y + 1, x - 1] *= reduce_by\narr = arr1[1:-1, 1:-1]\n根据记录，如果可以使用 numpy 或 scipy 对操作进行矢量化，则该解决方案的速度至少会提高 35 倍（在我的 Mac 上测量）。
\n\n注意：如果 numpy按顺序对数组切片进行操作，则以下结果将产生阶乘（即，正整数的乘积，最多一个数字） \xe2\x80\x93 但它不会：
\n\n>>> import numpy as np\n>>> arr = np.arange(1, 11)\n>>> arr\narray([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])\n>>> arr[1:] *= arr[:-1]\n>>> arr\narray([ 1, 2, 6, 12, 20, 30, 42, 56, 72, 90])\n