Skip to main content
 首页 » 编程设计

python之如何在 Python 中创建具有相应索引条件的 bool 矩阵

2025年02月15日8linjiqin

我完全是 Python 的新手,我正在尝试创建一个 1280x720 BOOLEAN 矩阵,当条件满足 x-index 和 y-index 时,该矩阵为 TRUE。具体来说,黑色区域是我希望所有值为 TRUE,其他值为 FALSE 的地方。 This is the image geometry of the matrix 到目前为止,我做了这样的代码:

mask_mat = np.zeros((1280,720),np.bool) 
for i in range(640,1220): 
    for j in range(0,360): 
        if ((j > (-9/16*i + 690))&(j < (-9/16*i + 750))): 
            mask_mat[i][j] = True; 

但是循环占用了这么多时间。所以请帮忙!

请您参考如下方法:

使用 NumPy's powerful broadcasting feature 根据迭代器限制创建范围数组然后直接使用公式,像这样-

mask_mat = np.zeros((1280,720),np.bool)            
I = np.arange(640,1220)[:,None] 
J = np.arange(0,360) 
mask_mat[640:1220,0:360] = ((J > (-9/16*I + 690))&(J < (-9/16*I + 750))) 

请特别注意以下步骤:I = np.arange(640,1220)[:,None]。我们在那里添加了一个新轴,它代表输出中的第一个轴。这引入了广播功能,以矢量化方式执行逐元素加法。另一个范围数组 J 沿着输出的第二个轴。

为了进一步提高性能,我们可能需要计算 -9/16*I 并在公式的两个地方重新使用它。

运行时测试

方法-

# Original loopy soln 
def loopy_app(): 
    mask_mat = np.zeros((1280,720),np.bool) 
    for i in range(640,1220): 
        for j in range(0,360): 
            if ((j > (-9/16*i + 690))&(j < (-9/16*i + 750))): 
                mask_mat[i][j] = True; 
    return mask_mat 
 
# @donkopotamus's soln 
def fromfunc_app(): 
    return np.fromfunction( 
        lambda i, j: ((640 <= i) & (i < 1220) & 
                     (j < 360) &  
                     (j > (-9/16 * i + 690)) &  
                     (j < (-9/16*i + 750))), (1280, 720)) 
 
# Proposed in this post                      
def vectorized_app(): 
    mask_mat = np.zeros((1280,720),np.bool)            
    I = np.arange(640,1220)[:,None] 
    J = np.arange(0,360) 
    mask_mat[640:1220,0:360] = ((J > (-9/16*I + 690))&(J < (-9/16*I + 750))) 
    return mask_mat 

时间 -

In [86]: %timeit loopy_app() 
10 loops, best of 3: 29.7 ms per loop 
 
In [87]: %timeit fromfunc_app() 
100 loops, best of 3: 11.9 ms per loop 
 
In [88]: %timeit vectorized_app() 
1000 loops, best of 3: 370 µs per loop 
 
In [90]: 29700/370.0 
Out[90]: 80.27027027027027 

80x+ 使用基于广播的矢量化方法加速!

使用 numexpr 进一步提升

我们可以通过引入 numexpr module 来进一步提升它将这些算术运算作为一个表达式执行:

import numexpr as ne 
 
def vectorized_expr_app(): 
    mask_mat = np.zeros((1280,720),np.bool)            
    I = np.arange(640,1220)[:,None] 
    J = np.arange(0,360) 
    vals = ne.evaluate('((J > (-9/16*I + 690))&(J < (-9/16*I + 750)))') 
    mask_mat[640:1220,0:360] = vals 
    return mask_mat 

时间:

In [101]: %timeit vectorized_expr_app() 
1000 loops, best of 3: 321 µs per loop 
 
In [102]: 29700/321.0 
Out[102]: 92.5233644859813 

90x+ 现在加速!