Python替换NumPy数组中大于某个值的所有元素实例

我有一个2D(二维) NumPy数组，并希望用255.0替换大于或等于阈值T的所有值。据我所知，最基础的方法是：

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

有更简洁和pythonic的方式来做到这一点吗？

有没有更快(可能不那么简洁和/或不那么pythonic)的方式来做到这一点？

这将成为人体头部MRI扫描窗口/等级调整子程序的一部分，2D numpy数组是图像像素数据。

最佳解决思路

我认为最快和最简洁的方法是使用Numpy的内置索引。如果您有名为arr的ndarray，则可以按如下所示将所有元素>255替换为值x：

arr[arr > 255] = x

我用500 x 500的随机矩阵在我的机器上运行了这个函数，用5替换了所有> 0.5的值，平均耗时7.59ms。

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

次佳解决思路

因为实际上需要一个不同的数组，arr，其中arr < 255，可以简单地完成：

result = np.minimum(arr, 255)

更一般地，对于下限和/或上限：

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

如果只是想访问超过255的值，np.clip和np.minimum(或者np.maximum)对你的情况更好更快。

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

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

如果要执行in-place(即修改arr而不是创建result)，则可以使用np.minimum的out参数：

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

或者

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

(out=名称是可选的，因为参数的顺序与函数的定义相同。)

对于in-place修改，布尔索引加速了很多(不必分别修改和拷贝)，但仍然不如minimum：

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

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

比较来看，如果你想限制你的最大值和最小值，没有clip将不得不像下面这样做两次

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

要么，

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

第三种解决思路

可以通过使用where功能来达到最快的速度：

例如，在numpy数组中查找大于0.2的项目，并用0代替它们：

import numpy as np
nums = np.random.rand(4,3)
print np.where(nums > 0.2, 0, nums)

第四种思路

可以考虑使用numpy.putmask：

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

下面是与Numpy内置索引的性能比较：

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

来源：https://blog.csdn.net/qq_42393859/article/details/86524805