Python 从numpy阵列创建光栅，从csv文件中获取值

我有一个朋友。我想用csv表格中的相应值替换光栅中的值

光栅的类别值为0到n，csv为光栅的每个类别n都有一个计算值（例如点密度）。 我想根据csv中的相应值创建一个新光栅

我正在使用GDAL和numpy。我尝试了熊猫，但遇到了从csv到光栅熊猫数据框提取值的问题。我将在相应csv表的光栅列表上执行此操作

下面是我的数据示例（一个光栅）

我有从光栅创建阵列和从阵列写回光栅的代码。我从不同的stackexchange站点发现了它。 我不知道如何设置循环的帧，以从新光栅中的csv获取值。 我下面的“for循环”代码不完整。 谁能帮忙吗

import numpy, sys
from osgeo import gdal
from osgeo.gdalconst import *

inRst = gdal.Open(r"c:/Raster1.tif")
band = inRst.GetRasterBand(1)
rows = inRst.RasterYSize
cols = inRst.RasterXSize
rstr_arry = band.ReadAsArray(0,0,cols,rows)

# create the output image
driver = inRst.GetDriver()
#print driver
outRst = driver.Create(r"c:/NewRstr.tif", cols, rows, 1, GDT_Int32)
outBand = outRst.GetRasterBand(1)
outData = numpy.zeros((rows,cols), numpy.int32)

for i in range(0, rows):
    for j in range(0, cols):
        if rstr_arry[i,j] =  :
            outData[i,j] = 
        elif rstr_arry[i,j] = :
            outData[i,j] = 
        else:
            outData[i,j] = 


# write the data
outRst= outBand.WriteArray(outData, 0, 0)
# flush data to disk, set the NoData value and calculate stats
outBand.FlushCache()
outBand.SetNoDataValue(-99)
# georeference the image and set the projection
outDs.SetGeoTransform(inDs.GetGeoTransform())
outDs.SetProjection(inDs.GetProjection())

---

如果我没有误解您想要实现的目标，您首先必须读取csv文件并创建

类

值到

密度

值的映射。可以这样做：

{0: 6, 1: 9, 2: 4, 3: 9, 4: 7, 5: 2}

导入csv
映射={}
打开（'test.csv'）作为csv\u文件：
csv\u reader=csv.DictReader（csv\u文件）
对于csv_读取器中的行：
映射[int（行['Class']）]=int（行['Density']）

您将获得如下所示的

dict

：

{0: 6, 1: 9, 2: 4, 3: 9, 4: 7, 5: 2}

然后可以使用创建需要替换的遮罩矩阵，并替换元素。在执行此操作之前，您需要展平光栅阵列，并在写回结果之前恢复其形状。 （替换numpy数组中元素的替代方法可以在以下问题的答案中找到：）

然后，您几乎可以按计划编写数据：

outBand.WriteArray(rstr_arry, 0, 0)
outBand.SetNoDataValue(-99)

outDs.SetGeoTransform(inRst.GetGeoTransform())
outDs.SetProjection(inRst.GetProjection())

outBand.FlushCache()

---

在示例数据上测试它：

rstr_arry = np.asarray([
    [5, 2, 2, 3],
    [0, 3, 1, 4],
    [2, 0, 1, 3]])

mapping = {0: 6, 1: 9, 2: 4, 3: 9, 4: 7, 5: 2}

s = rstr_arry.shape
rstr_arry = rstr_arry.reshape(-1)
replace = numpy.array([list(mapping.keys()), list(mapping.values())])
mask = numpy.in1d(rstr_arry, replace[0, :])
rstr_arry[mask] = replace[1, numpy.searchsorted(replace[0, :], rstr_arry[mask])]
rstr_arry = rstr_arry.reshape(s)

print(rstr_arry)
# [[2 4 4 9]
#  [6 9 9 7]
#  [4 6 9 9]]

rstr_arry = np.asarray([
    [5, 2, 2, 3],
    [0, 3, 1, 4],
    [2, 0, 1, 3]])

mapping = {0: 6, 1: 9, 2: 4, 3: 9, 4: 7, 5: 2}

s = rstr_arry.shape
rstr_arry = rstr_arry.reshape(-1)
replace = numpy.array([list(mapping.keys()), list(mapping.values())])
mask = numpy.in1d(rstr_arry, replace[0, :])
rstr_arry[mask] = replace[1, numpy.searchsorted(replace[0, :], rstr_arry[mask])]
rstr_arry = rstr_arry.reshape(s)

print(rstr_arry)
# [[2 4 4 9]
#  [6 9 9 7]
#  [4 6 9 9]]