Numpy：如何使用数组的最后一个维度作为值？

Posted 2023-02-14

【中文标题】Numpy：如何使用数组的最后一个维度作为值？

【英文标题】：Numpy: How can I use last dimension of an array as a value?

【发布时间】：2022-01-20 03:58:58

【问题描述】：

我有一个形状为[1080, 1920, 4] 的 3-D 数组，最后一个轴代表图片的 RGBA 通道，我有一个从 RGBA 值到 int 的 dict 映射，我想使用 np.vectorize 来转换这个数组到形状为[1080, 1920] 的二维数组，如何将数组作为二维数组传递，最后一维是向量化函数的列表？

array = [[[112,  25, 235, 255],
        [112,  25, 235, 255],
        [112,  25, 235, 255],
        ...,
        [ 35,  35,  30, 255],
        [ 41,  40,  37, 255],
        [ 39,  41,  37, 255]]
        ...,
        [ 35,  35,  30, 255],
        [ 41,  40,  37, 255],
        [ 39,  41,  37, 255]]]
dic = (35,  35,  30, 255): 1, (41,  40,  37, 255): 2
np.vectorize(lambda x: dic.get(tuple(x)))()

我应该将什么传递给最后一个()

【问题讨论】：

你的意思是需要将3D列表扁平化成2D列表，对吧，然后传入函数中，对吧？

np.vectorize 是一个美化的for 循环。您对其他方法持开放态度吗？

听起来像array.reshape(-1, 4)。

【参考方案1】：

一种使用numpy.apply_along_axis的方式：

# Data with (3, 3, 4)
array([[[112,  25, 235, 255],
        [112,  25, 235, 255],
        [112,  25, 235, 255]],

       [[ 35,  35,  30, 255],
        [ 41,  40,  37, 255],
        [ 39,  41,  37, 255]],

       [[ 35,  35,  30, 255],
        [ 41,  40,  37, 255],
        [ 39,  41,  37, 255]]])

dic = (112, 25, 235, 255): 0,
 (35, 35, 30, 255): 1,
 (41, 40, 37, 255): 2,
 (39, 41, 37, 255): 3

np.apply_along_axis(lambda x: dic.get(tuple(x)), 2, array)

输出：

array([[0, 0, 0],
       [1, 2, 3],
       [1, 2, 3]])

【讨论】：

numpy.apply_along_axis 确实有效，但似乎很慢，但感谢您的帮助

【参考方案2】：

vectorize 通常将标量值传递给函数。但是你可以指定一个signature：

In [55]: f=np.vectorize(lambda x: dic.get(tuple(x)),signature='(n)->()')

使用@Chris 示例值：

In [56]: f(arr)
Out[56]: 
array([[0, 0, 0],
       [1, 2, 3],
       [1, 2, 3]])

但vectorize 警告signature 使用速度较慢：

In [57]: timeit f(arr)
178 µs ± 6.38 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

像@Chris 那样使用apply...：

In [58]: timeit np.apply_along_axis(lambda x: dic.get(tuple(x)),2, arr)
131 µs ± 1.18 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

以及对“扁平化”数组的列表理解：

In [59]: timeit np.array([dic.get(tuple(x)) for x in arr.reshape(-1,4)]).reshape(ar
    ...: r.shape[:2])
35.3 µs ± 108 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

vectorize 的速度劣势随着更大的数组而消失，尽管我不知道这是否适用于signature 的情况。