使用python如果坐标可用，如何在数组中的'n'个段上访问和进行算术运算？

Question

以下示例清楚地说明了我的问题：

假设他们是一个数组'arr'

 >>import numpy as np
 >>from skimage.util.shape import view_as_blocks
 >>arr=np.array([[1,2,3,4,5,6,7,8],[1,2,3,4,5,6,7,8],[9,10,11,12,13,14,15,16],[17,18,19,20,21,22,23,24]])
  >>arr
  array([[ 1,  2,  3,  4,  5,  6,  7,  8],
           [ 1,  2,  3,  4,  5,  6,  7,  8],
           [ 9, 10, 11, 12, 13, 14, 15, 16],
           [17, 18, 19, 20, 21, 22, 23, 24]])

我使用以下方法将此数组分割为2 * 2块：

>>img= view_as_blocks(arr, block_shape=(2,2))
>>img
array([[[[ 1,  2],
         [ 1,  2]],

        [[ 3,  4],
         [ 3,  4]],

        [[ 5,  6],
         [ 5,  6]],

        [[ 7,  8],
         [ 7,  8]]],


       [[[ 9, 10],
         [17, 18]],

        [[11, 12],
         [19, 20]],

        [[13, 14],
         [21, 22]],

        [[15, 16],
         [23, 24]]]])

我有另一个数组“cor”

>>cor
(array([0, 1, 1], dtype=int64), array([2, 1, 3], dtype=int64))

在“cor”中，第一个数组（[0,1,1]）给出行的坐标，第二个数组（[2,1,3]）按顺序给出相应列的坐标。

现在我的工作是访问img的片段，其位置坐标为[0,2]，[1,1]和[1,3]（取自“cor”.x来自第一个数组，相应的y来自第二个数组）自动读“cor”。

在上面的例子中

img[0,2]= [[ 5,  6],    img[1,1]= [[11, 12],        img[1,3]=[[15, 16],
           [ 5,  6]],              [19, 20]]                  [23, 24]]

然后分别找到每个段的平均值。

ie. img[0,2]=5.5  img[1,1]=15.5 img[1,3]=19.5

现在，检查它的平均值是否小于整个数组“img”的平均值。这里，img的平均值是10.5。因此，只有img [0,2]的平均值小于10.5。因此，如果在任何其他大数组中存在更多段，则最终返回段img [0,2]的坐标，即[0,2]作为顺序输出。

##expected output for above example:
[0,2]

Answer 1

我们只需要用cor索引并执行那些mean计算（沿着最后两个轴）并检查 -

# Convert to array format
In [229]: cor = np.asarray(cor)

# Index into `img` with tuple version of `cor`, so that we get all the
# blocks in one go and then compute mean along last two axes i.e. 1,2.
# Then compare against global mean - `img.mean()` to give us a valid
# mask. Then index into columns of `cor with it, to give us a slice of
# valid `cor`. Finally transpose, so that we get per row valid indices set.
In [254]: cor[:,img[tuple(cor)].mean((1,2))<img.mean()].T
Out[254]: array([[0, 2]])

---

建立它的另一种方法是拆分指数 -

In [235]: r,c = cor

In [236]: v = img[r,c].mean((1,2))<img.mean() # or img[cor].mean((1,2))<img.mean()

In [237]: r[v],c[v]
Out[237]: (array([0]), array([2]))

与第一种方法相同，唯一的区别是使用拆分索引来索引到cor并获得最终索引。

---

或紧凑版 -

In [274]: np.asarray(cor).T[img[cor].mean((1,2))<img.mean()]
Out[274]: array([[0, 2]])

在这个解决方案中，我们直接提供cor的原始元组版本，其余与方法＃1相同。