Заменить все элементы Python NumPy Array, которые больше некоторого значения

У меня есть двумерный массив NumPy, и я хотел бы заменить все значения в нем, превышающие или равные пороговому значению T, на 255,0. Насколько мне известно, самый фундаментальный путь будет:

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. Какой самый лаконичный и питонный способ сделать это?

2. Есть ли более быстрый (возможно, менее лаконичный и / или менее питонический) способ сделать это?

Это будет частью процедуры настройки окна / уровня для МРТ-сканирования головы человека. Двумерный массив - это данные пикселей изображения.

Я думаю, что самый быстрый и краткий способ сделать это - использовать встроенную в NumPy индексацию Fancy. Если у вас есть ndarrayимя arr, вы можете заменить все элементы >255значением xследующим образом:

arr[arr > 255] = x

Я запустил это на своей машине со случайной матрицей 500 x 500, заменив все значения> 0,5 на 5, и это заняло в среднем 7,59 мс.

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

Так как вы на самом деле хотите другой массив, который находится arrгде arr < 255и в 255противном случае, это можно сделать просто:

result = np.minimum(arr, 255)

В целом, для нижней и / или верхней границы:

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

Если вы просто хотите получить доступ к значениям свыше 255 или к чему-то более сложному, ответ @ mtitan8 является более общим, но np.clipи np.minimum(или np.maximum) более приятным и быстрым для вашего случая:

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

Если вы хотите сделать это на месте (т.е. изменить arrвместо создания result), вы можете использовать outпараметр np.minimum:

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

или

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

( out=имя является необязательным, поскольку аргументы в том же порядке, что и определение функции.)

Для модификации на месте логическое индексирование значительно ускоряется (без необходимости создавать и затем изменять копию отдельно), но все же не так быстро, как 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

Для сравнения, если вы хотите ограничить свои значения как минимумом, так и максимумом, без этого clipвам придется делать это дважды, с чем-то вроде

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

или,

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

Я думаю, что вы можете достичь этого быстрее, используя whereфункцию:

Например, ищем элементы больше 0,2 в массиве numpy и заменяем их на 0:

import numpy as np

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

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

Вы можете рассмотреть возможность использования numpy.putmask :

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

Вот сравнение производительности со встроенной индексацией 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

Другой способ - использовать np.placeзамену на месте и работать с многомерными массивами:

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)

Вы можете также использовать &, |(и / или) для большей гибкости:

значения между 5 и 10: A[(A>5)&(A<10)]

значения больше 10 или меньше 5: A[(A<5)|(A>10)]