Numpy常规在二维数组内创建规则网格

我正在尝试编写一个函数，该函数可以在二维数组内创建一个由5个像素组成的规则网格。我希望numpy.arange和numpy.repeat的组合可以做到这一点，但到目前为止我还没有运气，因为numpy.repeat只会在同一行重复。Numpy常规在二维数组内创建规则网格

下面是一个例子：

比方说，我想形状(20, 15)的二维阵列内的5×5格。它应该看起来像：

array([[ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 9, 9, 9, 9, 9,10,10,10,10,10,11,11,11,11,11], 
     [ 9, 9, 9, 9, 9,10,10,10,10,10,11,11,11,11,11], 
     [ 9, 9, 9, 9, 9,10,10,10,10,10,11,11,11,11,11], 
     [ 9, 9, 9, 9, 9,10,10,10,10,10,11,11,11,11,11], 
     [ 9, 9, 9, 9, 9,10,10,10,10,10,11,11,11,11,11]])

我知道我可以简单地使用循环和切片做到这一点，但我可以将其应用到非常大的阵列和我担心的是，性能将是太慢或不切实际。

任何人都可以推荐一种方法来完成这个？

在此先感谢。

UPDATE：

所有提供的答案似乎运作良好。任何人都可以告诉我哪个最有效的用于大型数组？大数组我的意思是它可能是100000 x 100000或更多与15 x 15网格单元格大小。

来源

2013-10-14 Brian

这里有两个解决方案，一个涉及'numpy.kron'，一个涉及'numpy.repeat'：http://stackoverflow.com/questions/7525214/how-to-scale-a-numpy-array – Brionius

我发布了这里有一个答案，但事实证明，在你的链接问题中使用@NPE的方法是一样的。 – jorgeca

@Brionius - 'numpy.kron'绝对有效。你认为这和@Mr有很大的性能差异吗？ E的回答？ – Brian

广播是这里的答案：

m, n, d = 20, 15, 5 
arr = np.empty((m, n), dtype=np.int) 
arr_view = arr.reshape(m // d, d, n // d, d) 
vals = np.arange(m // d * n // d).reshape(m // d, 1, n // d, 1) 
arr_view[:] = vals 

>>> arr 
array([[ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 3, 3, 3, 3, 3, 4, 4, 4, 4, 4, 5, 5, 5, 5, 5], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 8, 8, 8, 8, 8], 
     [ 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11], 
     [ 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11], 
     [ 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11], 
     [ 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11], 
     [ 9, 9, 9, 9, 9, 10, 10, 10, 10, 10, 11, 11, 11, 11, 11]])

来源

2013-10-14 16:10:30 Jaime

感谢您的回答。不幸的是，这并不适合我。我结束了'arr_view.shape =（4L，5L，3L，5L）'而不是'（20,15）'。 – Brian

@Brian'arr_view'是您的原始数组的视图，仅用于具有可广播的形状。这是你想要看的'arr'：它仍然具有形状'（20,15）'。 – Jaime

我明白了。感谢澄清。我不熟悉观点的概念。我得看看那个。 – Brian

雅伊梅的答案类似：

np.repeat(np.arange(0, 10, 3), 4)[..., None] + np.repeat(np.arange(3), 5)[None, ...]

来源

2013-10-14 16:25:12 YXD

这似乎比Jaime的答案简单得多，更接近我想要做的。我不熟悉'[...，无]'。这到底是什么意思？ – Brian

这就是所谓的广播。最好的解释是[这里]（http://scipy-lectures.github.io/intro/numpy/numpy.html#broadcasting）和[here]（http://docs.scipy.org/doc/numpy/user /basics.broadcasting.html）。阅读关于省略号和更多关于广播[这里]（http://docs.scipy.org/doc/numpy/reference/arrays.indexing.html）。您可能会在文档中看到'np.newaxis'而不是'None'。 – YXD

kron会做这种扩张（如Brionius的意见还建议）：

xi, xj, ni, nj = 5, 5, 4, 3 
r = np.kron(np.arange(ni*nj).reshape((ni,nj)), np.ones((xi, xj)))

尽管我没有测试过它，但我认为它比广播方法效率低，但是一点更简洁，更容易理解（我希望）。它可能效率较低，因为：1）它需要一个数组，2）它用1乘以xi*xj，3）它执行一连串的连接。

来源

2013-10-14 17:00:59 tom10

这实际上并没有工作。一个小的更正是必需的。（（xi * ni，xj * nj））'应该是'np.ones（（xi，xj））'。随着更正，它确实奏效。感谢您对效率的解释。 – Brian

谢谢。纠正。 – tom10

Numpy常规在二维数组内创建规则网格

回答

相关问题