NumPy 高级索引和数组概念

调整图像尺寸

# 这个代码用于调整图像尺寸# 来源：NumPy Cookbook 2e Ch2.3import scipy.misc import matplotlib.pyplot as plt import numpy as np# 将 Lena 图像加载到数组中lena = scipy.misc.lena()# 图像宽高LENA_X = 512 LENA_Y = 512# 检查图像的宽高np.testing.assert_equal((LENA_Y, LENA_X), lena.shape)# 设置调整系数，水平 3，竖直 2yfactor = 2 xfactor = 3# 调整图像尺寸，水平（沿轴 1）拉伸 3 倍，竖直（沿轴 0 ）拉伸两倍resized = lena.repeat(yfactor, axis=0)              .repeat(xfactor, axis=1)# 检查调整后数组np.testing.assert_equal((yfactor * LENA_Y, xfactor * LENA_Y), resized.shape)# 绘制原图像（两行一列的第一个位置）plt.subplot(211) plt.title("Lena") plt.axis("off") plt.imshow(lena)# 绘制调整后图像（两行一列的第二个位置）plt.subplot(212) plt.title("Resized") plt.axis("off") plt.imshow(resized) plt.show()

创建视图及副本

# 来源：NumPy Cookbook 2e Ch2.4import scipy.misc import matplotlib.pyplot as plt# 加载 Lena 图像lena = scipy.misc.lena() # copy 创建副本，Python 对象复制，内部内存复制acopy = lena.copy() # view 创建视图，Python 对象复制，内部内存共享aview = lena.view()# 绘制 Lena 图像（左上角）plt.subplot(221) plt.imshow(lena)# 绘制副本（右上角） plt.subplot(222) plt.imshow(acopy)# 绘制视图（左下角）plt.subplot(223) plt.imshow(aview)# 将副本所有元素清零# 由于数组的数据保存在内部内存中# 副本不受影响，视图（以及引用）会跟着变化aview.flat = 0 # 绘制修改后的视图（右下角）plt.subplot(224) plt.imshow(aview)

翻转图像

# 来源：NumPy Cookbook 2e Ch2.5import scipy.misc import matplotlib.pyplot as plt# 加载 Lena 图像lena = scipy.misc.lena()# 绘制 Lena 图像（左上角）plt.subplot(221) plt.title('Original') plt.axis('off') plt.imshow(lena)# 绘制翻转后的图像（右上角）# Python 的 [::-1] 用于翻转序列# 这里翻转了第二个维度，也就是水平翻转plt.subplot(222) plt.title('Flipped') plt.axis('off') plt.imshow(lena[:,::-1])# 绘制切片后的图像（左下角）# 取图像的左半部分和上半部分plt.subplot(223)plt.title('Sliced') plt.axis('off') plt.imshow(lena[:lena.shape[0]/2,:lena.shape[1]/2])# 添加掩码，将偶数元素变为 0 # 布尔数组可用作索引 mask = lena % 2 == 0 masked_lena = lena.copy() masked_lena[mask] = 0 # 绘制添加掩码后的图像（右下角）plt.subplot(224) plt.title('Masked') plt.axis('off') plt.imshow(masked_lena)plt.show()

花式索引

# 这个代码通过将数组对角线上的元素设为 0 ，来展示花式索引# 花式索引就是使用数组作为索引来索引另一个数组# 来源：NumPy Cookbook 2e Ch2.6import scipy.misc import matplotlib.pyplot as plt# 加载 Lena 图像# Load the Lena array lena = scipy.misc.lena() # 取图片的宽和高height = lena.shape[0] width = lena.shape[1]# 使用花式索引将对角线上的元素设为 0# x 为 0 ~ width - 1 的数组# y 为 0 ~ height - 1 的数组lena[range(height), range(width)] = 0# 将副对角线上元素也设为 0# x 为 width - 1 ~ 0 的数组# y 为 0 ~ height - 1 的数组lena[range(height), range(width - 1, -1, -1)] = 0# 画出带对角线的 Lena 图像plt.imshow(lena) plt.show()

将位置列表用于索引

# 这个代码的目的就是把 Lena 图像弄花# 来源：NumPy Cookbook 2e Ch2.7import scipy.misc import matplotlib.pyplot as plt import numpy as np# 加载 Lena 图像 lena = scipy.misc.lena() # 取图像宽高height = lena.shape[0] width = lena.shape[1]def shuffle_indices(size):       '''       生成 0 ~ size - 1 的数组并打乱       '''    arr = np.arange(size)       np.random.shuffle(arr)    return arr# 生成 x 随机索引和 y 随机索引xindices = shuffle_indices(width) np.testing.assert_equal(len(xindices), width) yindices = shuffle_indices(height) np.testing.assert_equal(len(yindices), height)# 画出打乱后的图像# ix_ 函数将 yindices 转置，xindices 不变# 结果是一个 height x 1 的数组和一个 1 x  width 的数组# 用于索引时，都会扩展为 height x width 的数组plt.imshow(lena[np.ix_(yindices, xindices)]) plt.show()

布尔索引

# 来源：NumPy Cookbook 2e Ch2.8import scipy.misc import matplotlib.pyplot as plt import numpy as np# 加载 Lena 图像lena = scipy.misc.lena()# 取大小为 size 的数组# 4 的倍数的下标为 True，其余为 Falsedef get_indices(size):       arr = np.arange(size)       return arr % 4 == 0# 绘制 Lena# 对角线上每四个元素将一个元素清零 lena1 = lena.copy() yindices = get_indices(lena.shape[0]) xindices = get_indices(lena.shape[1]) lena1[yindices, xindices] = 0 plt.subplot(211) plt.imshow(lena1)lena2 = lena.copy() # 最大值 1/4 ~ 3/4 之间的元素清零# 这里用到了数组广播lena2[(lena > lena.max()/4) & (lena < 3 * lena.max()/4)] = 0 plt.subplot(212) plt.imshow(lena2)plt.show()

分离数独的九宫格

# 来源：NumPy Cookbook 2e Ch2.9import numpy as np# 数独是个 9x9 的二维数组# 包含 9 个 3x3 的九宫格sudoku = np.array([       [2, 8, 7, 1, 6, 5, 9, 4, 3],    [9, 5, 4, 7, 3, 2, 1, 6, 8],    [6, 1, 3, 8, 4, 9, 7, 5, 2],    [8, 7, 9, 6, 5, 1, 2, 3, 4],    [4, 2, 1, 3, 9, 8, 6, 7, 5],    [3, 6, 5, 4, 2, 7, 8, 9, 1],    [1, 9, 8, 5, 7, 3, 4, 2, 6],    [5, 4, 2, 9, 1, 6, 3, 8, 7],    [7, 3, 6, 2, 8, 4, 5, 1, 9]])# 要将其变成 3x3x3x3 的四维数组# 但不能直接 reshape，因为这样会把一行变成一个九宫格shape = (3, 3, 3, 3)# 大行之间隔 27 个元素，大列之间隔 3 个元素# 小行之间隔 9 个元素，小列之间隔 1 个元素strides = sudoku.itemsize * np.array([27, 3, 9, 1])squares = np.lib.stride_tricks.as_strided(sudoku, shape=shape, strides=strides) print(squares)'''[[[[2 8 7]    [9 5 4]    [6 1 3]]  [[1 6 5]    [7 3 2]    [8 4 9]]  [[9 4 3]    [1 6 8]    [7 5 2]]] [[[8 7 9]    [4 2 1]    [3 6 5]]  [[6 5 1]    [3 9 8]    [4 2 7]]  [[2 3 4]    [6 7 5]    [8 9 1]]] [[[1 9 8]    [5 4 2]    [7 3 6]]  [[5 7 3]    [9 1 6]    [2 8 4]]  [[4 2 6]    [3 8 7]    [5 1 9]]]]'''

数组广播

# 来源：NumPy Cookbook 2e Ch2.10import scipy.io.wavfile import matplotlib.pyplot as plt import urllib2 import numpy as np# 下载音频文件response = urllib2.urlopen('http://www.thesoundarchive.com/austinpowers/smashingbaby.wav') print(response.info())# 将文件写到磁盘WAV_FILE = 'smashingbaby.wav' filehandle = open(WAV_FILE, 'w') filehandle.write(response.read()) filehandle.close() # 使用 SciPy 读取音频文件sample_rate, data = scipy.io.wavfile.read(WAV_FILE)print("Data type", data.dtype, "Shape", data.shape)# ('Data type', dtype('uint8'), 'Shape', (43584L,))# 绘制原始音频文件（上方）# y 值是数据，x 值是数据的下标plt.subplot(2, 1, 1) plt.title("Original") plt.plot(data)# 使音频更安静# 数组广播的意思是，两个数组进行运算时# 较小尺寸的数组会扩展自身，与较大数组对齐# 如果数组与标量运算，那么将标量与数组的每个元素运算# 所以这里数组的每个元素都 x 0.2# 具体规则请见官方文档newdata = data * 0.2 newdata = newdata.astype(np.uint8) print("Data type", newdata.dtype, "Shape", newdata.shape)# ('Data type', dtype('uint8'), 'Shape', (43584L,))# 保存更安静的音频scipy.io.wavfile.write("quiet.wav", sample_rate, newdata)# 绘制更安静的音频文件（下方）plt.subplot(2, 1, 2) plt.title("Quiet") plt.plot(newdata)plt.show()