1

标题可能令人困惑。我有一个相当大的 3D numpy 数组。我想通过对大小为 (2,2,2) 的块进行分箱来将其大小减少 2^3。然后，新 3D 数组中的每个元素都应包含原始数组中相应块中元素的总和。

例如，考虑一个 4x4x4 数组：

input = [[[1, 1, 2, 2],
          [1, 1, 2, 2],
          [3, 3, 4, 4],
          [3, 3, 4, 4]],
         [[1, 1, 2, 2],
          [1, 1, 2, 2],
          [3, 3, 4, 4],
          [3, 3, 4, 4]],
              ...    ]]]

（我只代表它的一半以节省空间）。请注意，所有具有相同值的元素构成一个 (2x2x2) 块。输出应该是一个 2x2x2 数组，使得每个元素都是一个块的总和：

output = [[[8, 16],
          [24, 32]],
             ... ]]]

所以 8 是所有 1 的总和，16 是 2 的总和，以此类推。

4

1 回答 1

3

有一个内置函数可以进行这些逐块减少skimage.measure.block_reduce--

In [36]: a
Out[36]: 
array([[[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 3, 4, 4],
        [3, 3, 4, 4]],

       [[1, 1, 2, 2],
        [1, 1, 2, 2],
        [3, 3, 4, 4],
        [3, 3, 4, 4]]])

In [37]: from skimage.measure import block_reduce

In [39]: block_reduce(a, block_size=(2,2,2), func=np.sum)
Out[39]: 
array([[[ 8, 16],
        [24, 32]]])

使用其他还原 ufunc，比如说max-reduction-

In [40]: block_reduce(a, block_size=(2,2,2), func=np.max)
Out[40]: 
array([[[1, 2],
        [3, 4]]])

使用 NumPy 工具实现这样的功能并不难，可以像这样完成 -

def block_reduce_numpy(a, block_size, func):
    shp = a.shape
    new_shp = np.hstack([(i//j,j) for (i,j) in zip(shp,block_size)])
    select_axes = tuple(np.arange(a.ndim)*2+1)
    return func(a.reshape(new_shp),axis=select_axes)
于 2019-06-06T18:40:53.317 回答