Python scipy.ndimage.filters.maximum_filter中的NAN

我不太了解在maximum_filter函数中对NAN的处理。我希望nan要么被忽略，要么更好，如果nan出现在内核的任何地方，结果就是nan。相反，根据外表的不同，南安人似乎受到不同的对待

问题似乎有点类似于

下面是一些使用scipy版本0.19.1完成的示例代码：

    import numpy as np
    import scipy.ndimage.filters

    a = np.array([[    0,     0.,   1.,   2.,   3.,   4.],
                  [    0., np.nan,   1.,   2.,   3.,   2.],
                  [    0.,     0.,   1.,   2.,   3.,   4.],
                  [    1.,     0.,   1.,   2.,   3.,   4.]])

    b = np.array([[np.nan,     0.,   1.,   2.,   3.,   4.],
                  [    0.,     0,   1.,   2.,   3.,   2.],
                  [    0.,     0.,   1.,   2.,   3.,   4.],
                  [    1.,     0.,   1.,   2.,   3.,   4.]])

    c = np.array([[np.nan,     0.,   1.,   2.,   3.,   4.],
                  [    0., np.nan,   1.,   2.,   3.,   2.],
                  [    0.,     0.,   1.,   2.,   3.,   4.],
                  [    1.,     0.,   1.,   2.,   3.,   4.]])


    print(scipy.ndimage.filters.maximum_filter(a, size=3))
    print(scipy.ndimage.filters.maximum_filter(b, size=3))
    print(scipy.ndimage.filters.maximum_filter(c, size=3))

输出

    [[ 0.  1.  2.  3.  4.  4.]
     [ 0.  1.  2.  3.  4.  4.]
     [ 1.  1.  2.  3.  4.  4.]
     [ 1.  1.  2.  3.  4.  4.]]
    [[ nan  nan   2.   3.   4.   4.]
     [ nan  nan   2.   3.   4.   4.]
     [  1.   1.   2.   3.   4.   4.]
     [  1.   1.   2.   3.   4.   4.]]
    [[ nan  nan   2.   3.   4.   4.]
     [ nan  nan   2.   3.   4.   4.]
     [  1.   1.   2.   3.   4.   4.]
     [  1.   1.   2.   3.   4.   4.]]

在“a”中，忽略了NAN，而在“b”中，似乎与NAN的每次比较都会得到NAN和“c”中与“b”完全相同的结果

问题：
1.这是一个bug还是行为可以被证明是合理的？
2.如何获得不在左上角的nan的“b”结果？

尽量避免使用未明确说明其具有特殊

nan

处理的函数的

nan

s。它不是数字，所以不要在需要数字的地方使用它！ SciPys

maximum_filter

就是其中之一

我曾考虑过进入SciPy内部，但由于这些都是实现细节，可能会在没有通知或反对的情况下更改，因此可能不值得这么做。此外，它还将非常复杂，因为它取决于比较的顺序和比较本身，以及函数如何执行

maximum\u filter

（我怀疑它们使用基于堆的运行maximum filter）

然而，你当然可以得到想要的结果。如果希望忽略

NaN

s，可以使用

-np.inf

替换它们（对于

maximum_filter

），如果希望“传播”它们，则可以使用通用过滤器：

def maximum_filter_ignore_nan(array, *args, **kwargs):
    nans = np.isnan(array)
    replaced = np.where(nans, -np.inf, array)
    return scipy.ndimage.filters.maximum_filter(replaced, *args, **kwargs)


def maximum_filter_propagate_nan(array, *args, **kwargs):
    def inner(array):
        if np.isnan(array).any():
            return np.nan
        return array.max()
    return scipy.ndimage.generic_filter(arr, inner, size=3)

print(maximum_filter_ignore_nan(a, size=3))
print(maximum_filter_ignore_nan(b, size=3))
print(maximum_filter_ignore_nan(c, size=3))

print(maximum_filter_propagate_nan(a, size=3))
print(maximum_filter_propagate_nan(b, size=3))
print(maximum_filter_propagate_nan(c, size=3))

尽量避免使用未明确说明其具有特殊

nan

处理的函数。它不是数字，所以不要在需要数字的地方使用它！ SciPys

maximum_filter

就是其中之一

我曾考虑过进入SciPy内部，但由于这些都是实现细节，可能会在没有通知或反对的情况下更改，因此可能不值得这么做。此外，它还将非常复杂，因为它取决于比较的顺序和比较本身，以及函数如何执行

maximum\u filter

（我怀疑它们使用基于堆的运行maximum filter）

然而，你当然可以得到想要的结果。如果希望忽略

NaN

s，可以使用

-np.inf

替换它们（对于

maximum_filter

），如果希望“传播”它们，则可以使用通用过滤器：

def maximum_filter_ignore_nan(array, *args, **kwargs):
    nans = np.isnan(array)
    replaced = np.where(nans, -np.inf, array)
    return scipy.ndimage.filters.maximum_filter(replaced, *args, **kwargs)


def maximum_filter_propagate_nan(array, *args, **kwargs):
    def inner(array):
        if np.isnan(array).any():
            return np.nan
        return array.max()
    return scipy.ndimage.generic_filter(arr, inner, size=3)

print(maximum_filter_ignore_nan(a, size=3))
print(maximum_filter_ignore_nan(b, size=3))
print(maximum_filter_ignore_nan(c, size=3))

print(maximum_filter_propagate_nan(a, size=3))
print(maximum_filter_propagate_nan(b, size=3))
print(maximum_filter_propagate_nan(c, size=3))

---

我是否理解正确，因为即使在python中实现也很差，所以它归结为：“永远不要使用NAN！”？对于+/-inf，情况是否也是如此？这也不是一个数字。答案并不能解决我的问题，但还是要谢谢。@B.Biehler不，你可以使用

nan

s，例如NumPy有很多

np.nan*

函数，例如。还有+/-inf是一个数字！只是南斯的行为（有时）很奇怪。问题在于nan不等于任何东西（甚至不等于它本身），与nan的任何比较都应该返回false。这打破了许多对所有其他数字（甚至是inf）都有效的假设。@B.Biehler我用一些备选方案更新了答案，您可以使用这些备选方案来构建预期结果。我是否理解正确，它归结为：“永远不要使用NaN！”，因为即使在python中实现也很差？对于+/-inf，情况是否也是如此？这也不是一个数字。答案并不能解决我的问题，但还是要谢谢。@B.Biehler不，你可以使用

nan

s，例如NumPy有很多

np.nan*

函数，例如。还有+/-inf是一个数字！只是南斯的行为（有时）很奇怪。问题在于nan不等于任何东西（甚至不等于它本身），与nan的任何比较都应该返回false。这打破了对所有其他数字（甚至是inf）都有效的大量假设。@B.Biehler我用一些备选方案更新了答案，您可以使用这些备选方案来归档预期结果。