我想将任意函数应用于 3d-ndarray 作为元素,它使用(3维)数组作为其参数并返回标量。因此,我们应该得到 2d-Matrix。
例如)伪代码
A = [[[1,2,3],[4,5,6]],
[[7,8,9],[10,11,12]]]
A.apply_3d_array(sum) ## or apply_3d_array(A,sum) is Okey.
>> [[6,15],[24,33]]
我知道可以使用 ndarray.shape 函数进行循环,但正如官方文档所述,直接索引访问效率低下。 还有比使用循环更有效的方法吗?
def chromaticity(pixel):
geo_mean = math.pow(sum(pixel),1/3)
return map(lambda x: math.log(x/geo_mean),pixel )
最佳答案
鉴于函数实现,我们可以使用NumPy ufuncs
对其进行向量化它将一次性对整个输入数组 A
进行操作,从而避免使用不支持数组矢量化的 math
库函数。在此过程中,我们还将引入非常高效的矢量化工具:NumPy broadcasting
。所以,我们会有一个像这样的实现 -
np.log(A/np.power(np.sum(A,2,keepdims=True),1/3))
示例运行和验证
没有 lamdba
构造并引入 NumPy 函数而不是 math
库函数的函数实现看起来像这样 -
def chromaticity(pixel):
geo_mean = np.power(np.sum(pixel),1/3)
return np.log(pixel/geo_mean)
使用迭代实现运行示例 -
In [67]: chromaticity(A[0,0,:])
Out[67]: array([-0.59725316, 0.09589402, 0.50135913])
In [68]: chromaticity(A[0,1,:])
Out[68]: array([ 0.48361096, 0.70675451, 0.88907607])
In [69]: chromaticity(A[1,0,:])
Out[69]: array([ 0.88655887, 1.02009026, 1.1378733 ])
In [70]: chromaticity(A[1,1,:])
Out[70]: array([ 1.13708257, 1.23239275, 1.31940413])
使用建议的矢量化实现运行示例 -
In [72]: np.log(A/np.power(np.sum(A,2,keepdims=True),1/3))
Out[72]:
array([[[-0.59725316, 0.09589402, 0.50135913],
[ 0.48361096, 0.70675451, 0.88907607]],
[[ 0.88655887, 1.02009026, 1.1378733 ],
[ 1.13708257, 1.23239275, 1.31940413]]])
运行时测试
In [131]: A = np.random.randint(0,255,(512,512,3)) # 512x512 colored image
In [132]: def org_app(A):
...: out = np.zeros(A.shape)
...: for i in range(A.shape[0]):
...: for j in range(A.shape[1]):
...: out[i,j] = chromaticity(A[i,j])
...: return out
...:
In [133]: %timeit org_app(A)
1 loop, best of 3: 5.99 s per loop
In [134]: %timeit np.apply_along_axis(chromaticity, 2, A) #@hpaulj's soln
1 loop, best of 3: 9.68 s per loop
In [135]: %timeit np.log(A/np.power(np.sum(A,2,keepdims=True),1/3))
10 loops, best of 3: 90.8 ms per loop
这就是为什么在使用数组对事物进行矢量化时始终尝试插入 NumPy funcs
并一次性处理尽可能多的元素!
关于python - 如何使用 numpy 有效地将函数应用于第三维数组?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39308835/