二维数组的 Numpy 元素平均计算

Posted 2023-03-24

【中文标题】二维数组的 Numpy 元素平均计算

【英文标题】：Numpy element-wise mean calculation for 2D array

【发布时间】：2021-01-17 01:31:55

【问题描述】：

我是 Python 新手，遇到了在 2D numpy 数组中计算元素平均值的问题。我在网上搜索过，没有找到适合这些东西的最佳算法。

所以，例如我有这个二维数组：

array = np.arange(20).reshape(4,5)
array

Out[7]: 
    array([[ 0,  1,  2,  3,  4],
           [ 5,  6,  7,  8,  9],
           [10, 11, 12, 13, 14],
           [15, 16, 17, 18, 19]])

我想获得另一个 2D numpy 数组，其元素等于前一个矩阵的元素平均值。此外，我的目标是让输出矩阵与输入矩阵形状相同。

例如，我选择了一个 3*3 的邻域元素块，并从矩阵的第一个元素（零）开始：

由于它是一个“角”元素，我们无法计算 3 * 3 的平均值，所以我假设我们可以计算 2 * 2 的平均值： (0+1+5+6):4=3

然后我们将我们的 3 * 3 块移动到下一个元素：

并以相同的方式计算矩阵第一行的平均值，依此类推。 逐行、逐元素移动：

并以同样的方式计算它们的平均值：(0+1+2+5+6+7+10+11+12):9=6

然后继续。

您能告诉我如何创建与输入矩阵具有相同形状的平均元素矩阵吗？我应该使用带有 2 个变量的 for 循环来操作它吗？以及如何处理无法应用完整的 3 * 3 相邻元素块的“边界”元素？

非常感谢您的帮助！

附：在我的计算中，我假设有最终的结果矩阵，对于这种情况：

【问题讨论】：

这有帮助吗？ ***.com/questions/40412432/…

【参考方案1】：

如果可以选择使用scipy，您可以使用2D convolution：

import numpy as np
from scipy import signal

# Example input
x = np.array([[ 0,  1,  2,  3,  4],
              [ 5,  6,  7,  8,  9],
              [10, 11, 12, 13, 14],
              [15, 16, 17, 18, 19]])

# The moving window
y = np.ones((3,3))

# We convolve x with y and then we normalize those value with another convolution
#  |        first convolution        |/|              second convolution               |
r = signal.convolve2d(x,y,mode='same')/signal.convolve2d(np.ones(x.shape),y,mode='same')

它会产生：

array([[ 3. ,  3.5,  4.5,  5.5,  6. ],
       [ 5.5,  6. ,  7. ,  8. ,  8.5],
       [10.5, 11. , 12. , 13. , 13.5],
       [13. , 13.5, 14.5, 15.5, 16. ]])

---

它是如何工作的？

所以第一个卷积产生所需元素的总和：

array([[ 12,  21,  27,  33,  24],
       [ 33,  54,  63,  72,  51],
       [ 63,  99, 108, 117,  81],
       [ 52,  81,  87,  93,  64]])

第二个产生思考（每个位置求和了多少元素）：

 array([[4., 6., 6., 6., 4.],
        [6., 9., 9., 9., 6.],
        [6., 9., 9., 9., 6.],
        [4., 6., 6., 6., 4.]])

【讨论】：

哇，太棒了@obchardon！卷积正是我需要的！非常感谢您的帮助！

【参考方案2】：

你可以单独使用 Numpy 来完成你的任务。

要计算元素及其邻居的平均值，请定义以下内容 功能：

def meanSurroud(arr, r, c):
    return np.mean(arr[max(r - 1, 0) : r + 2, max(c - 1, 0) : c + 2])

然后为源 array 中的每个索引调用它并将结果保存在 一个目标数组：

result = np.empty_like(array, dtype=float)
for ind in np.ndindex(array.shape):
    result[ind] = meanSurroud(array, ind[0], ind[1])

结果是：

array([[ 3. ,  3.5,  4.5,  5.5,  6. ],
       [ 5.5,  6. ,  7. ,  8. ,  8.5],
       [10.5, 11. , 12. , 13. , 13.5],
       [13. , 13.5, 14.5, 15.5, 16. ]])