是否有与 scipy.ndimage 的 uniform_filter 或 convolve 类似的功能(与 Numpy Two-Dimensional Moving Average 类似的问题),但仅使用输入数组中的值计算平均值(忽略角和边缘单元格的填充值计数)。一个类似的函数,其中填充值可以设置为 np.nan,结果平均值计算为 np.nanmean?
我的初始代码遍历数组以获取邻居并计算结果均值,但此方法花费的时间太长。我尝试了 uniform_filter 或卷积,但结果不是我需要的,因为生成的角和边缘值太低(由于用 0 填充边缘)。
例如,如果我有数组:
a = np.ones((4,5))
从移动的 3x3 数组计算平均值也应该导致:
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
uniform_filter 给出:
uniform_filter(a, size=3, mode='constant', cval=0.0)
array([[0.44444444, 0.66666667, 0.66666667, 0.66666667, 0.44444444],
[0.66666667, 1. , 1. , 1. , 0.66666667],
[0.66666667, 1. , 1. , 1. , 0.66666667],
[0.44444444, 0.66666667, 0.66666667, 0.66666667, 0.44444444]])
我尝试设置 cval=np.nan,但单元格边缘的结果值为 nan。
对于另一个数组,b
array([[1., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
我想获得一个数组,使用 3x3 平均窗口,作为
array([[0.25 , 0.16666667, 0. ],
[0.16666667, 0.11111111, 0. ],
[0. , 0. , 0. ]])
值的计算方式如下所示 illustration
请您参考如下方法:
获取窗口总和并除以每个窗口中的有效成员。我们可以使用 scipy.signal.convolve2d得到两者,因此有这样的解决方案 -
from scipy.signal import convolve2d
def windowed_average(a, kernel_size, mode='same'):
k = np.ones((kernel_size,kernel_size),dtype=int)
window_sum = convolve2d(a,k,mode)
window_count = convolve2d(np.ones(a.shape, dtype=bool),k,mode)
return window_sum/window_count
备选 #1
或者,如果您想使用 uniform_filter为了获得加窗求和,我们可以这样做,这样也可能更有效,就像这样 -
from scipy.ndimage import uniform_filter
n = kernel_size**2
window_sum = uniform_filter(a, kernel_size, mode='constant', cval=0.0)*n
样本运行-
In [54]: a
Out[54]:
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
In [55]: windowed_average(a, kernel_size=3)
Out[55]:
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
In [56]: b
Out[56]:
array([[1., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
In [57]: windowed_average(b, kernel_size=3)
Out[57]:
array([[0.25 , 0.16666667, 0. ],
[0.16666667, 0.11111111, 0. ],
[0. , 0. , 0. ]])
