Ersetzen Sie alle Elemente des Python NumPy-Arrays, die größer als ein Wert sind

Ich habe ein 2D-NumPy-Array und möchte alle darin enthaltenen Werte, die größer oder gleich einem Schwellenwert T sind, durch 255,0 ersetzen. Meines Wissens wäre der grundlegendste Weg:

shape = arr.shape
result = np.zeros(shape)
for x in range(0, shape[0]):
    for y in range(0, shape[1]):
        if arr[x, y] >= T:
            result[x, y] = 255

1. Was ist der prägnanteste und pythonischste Weg, dies zu tun?

2. Gibt es eine schnellere (möglicherweise weniger prägnante und / oder weniger pythonische) Möglichkeit, dies zu tun?

Dies ist Teil einer Unterroutine zur Fenster- / Pegelanpassung für MRT-Scans des menschlichen Kopfes. Das 2D-Numpy-Array sind die Bildpixeldaten.

Ich denke, der schnellste und prägnanteste Weg, dies zu tun, ist die Verwendung der integrierten Fancy-Indizierung von NumPy. Wenn Sie einen ndarrayNamen haben arr, können Sie alle Elemente wie folgt >255durch einen Wert ersetzen x:

arr[arr > 255] = x

Ich habe dies auf meinem Computer mit einer Zufallsmatrix von 500 x 500 ausgeführt, wobei alle Werte> 0,5 durch 5 ersetzt wurden, und es dauerte durchschnittlich 7,59 ms.

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)
In [3]: timeit A[A > 0.5] = 5
100 loops, best of 3: 7.59 ms per loop

Da Sie tatsächlich ein anderes Array wünschen, arrwo arr < 255und 255ansonsten, kann dies einfach durchgeführt werden:

result = np.minimum(arr, 255)

Allgemeiner für eine Unter- und / oder Obergrenze:

result = np.clip(arr, 0, 255)

Wenn Sie nur auf Werte über 255 oder etwas Komplizierteres zugreifen möchten, ist die Antwort von @ mtitan8 allgemeiner, aber np.clipund np.minimum(oder np.maximum) sind für Ihren Fall schöner und viel schneller:

In [292]: timeit np.minimum(a, 255)
100000 loops, best of 3: 19.6 µs per loop

In [293]: %%timeit
   .....: c = np.copy(a)
   .....: c[a>255] = 255
   .....: 
10000 loops, best of 3: 86.6 µs per loop

Wenn Sie dies direkt tun möchten (dh ändern arrstatt erstellen result), können Sie den folgenden outParameter verwenden np.minimum:

np.minimum(arr, 255, out=arr)

oder

np.clip(arr, 0, 255, arr)

(Der out=Name ist optional, da die Argumente in derselben Reihenfolge wie die Definition der Funktion vorliegen.)

Bei direkten Änderungen beschleunigt sich die boolesche Indizierung erheblich (ohne dass die Kopie separat erstellt und anschließend geändert werden muss), ist jedoch immer noch nicht so schnell wie minimum:

In [328]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: np.minimum(a, 255, a)
   .....: 
100000 loops, best of 3: 303 µs per loop

In [329]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: a[a>255] = 255
   .....: 
100000 loops, best of 3: 356 µs per loop

Zum Vergleich, wenn Sie Ihre Werte sowohl auf ein Minimum als auch auf ein Maximum beschränken clipmöchten , ohne dass Sie dies zweimal tun müssten, mit so etwas wie

np.minimum(a, 255, a)
np.maximum(a, 0, a)

oder,

a[a>255] = 255
a[a<0] = 0

Ich denke, Sie können dies am schnellsten erreichen, indem Sie die whereFunktion verwenden:

Suchen Sie beispielsweise nach Elementen mit mehr als 0,2 in einem numpy-Array und ersetzen Sie diese durch 0:

import numpy as np

nums = np.random.rand(4,3)

print np.where(nums > 0.2, 0, nums)

Sie können die Verwendung von numpy.putmask in Betracht ziehen :

np.putmask(arr, arr>=T, 255.0)

Hier ist ein Leistungsvergleich mit der integrierten Indexierung des Numpy:

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)

In [3]: timeit np.putmask(A, A>0.5, 5)
1000 loops, best of 3: 1.34 ms per loop

In [4]: timeit A[A > 0.5] = 5
1000 loops, best of 3: 1.82 ms per loop

Eine andere Möglichkeit ist die Verwendung, np.placedie direkt vor Ort ersetzt wird und mit multidimentionalen Arrays funktioniert:

import numpy as np

# create 2x3 array with numbers 0..5
arr = np.arange(6).reshape(2, 3)

# replace 0 with -10
np.place(arr, arr == 0, -10)

Sie können auch verwendet werden &, |(und / oder) für mehr Flexibilität:

Werte zwischen 5 und 10: A[(A>5)&(A<10)]

Werte größer als 10 oder kleiner als 5: A[(A<5)|(A>10)]