Python numpy数组序列化和映射的有效方法

假设我们有一个2d数组（例如深度图像）。我正在寻找一种有效的方法来序列化这个数组并应用函数

数组

是一个

高度

x

宽度

2d数组

序列化

array

-->在

范围（0，宽度）

和

范围（0，高度）

中的

x

和

y

的所有组合的

[x，y，array[y，x]]

列表

应用函数

func

：

func（x，y，数组[y，x]）

示例代码：

import numpy as np
import itertools
width,height= 640,480
xstep,ystep= 1,1
array= np.array([np.sqrt(x*x+y*y) for y,x in itertools.product(range(0,height,ystep), range(0,width,xstep))]).reshape(height,width)
func= lambda x,y,z: [np.sqrt(x),np.sqrt(y),np.sqrt(x*x+y*y+z*z)]

我尝试了几种方法：

%%time
points1= [func(x,y,array[y,x]) for y,x in itertools.product(range(0,height,ystep), range(0,width,xstep))]
#--> Wall time: 1.15 s

---

有比这些更快的解决方案吗？

问题是，您正在计算单个元素的平方根，而没有利用矢量化。您可以用数组操作替换

func

：

def compute(array):
    indices = np.indices(array.shape)
    merged = np.empty((*array.shape, 3))
    merged[:,:,0] = np.sqrt(indices[1])
    merged[:,:,1] = np.sqrt(indices[0])
    merged[:,:,2] = np.sqrt(np.square(indices[1]) + np.square(indices[0]) + np.square(array))
    return merged.reshape((-1, 3)).tolist()

merged

是一个三维数组，包含

func（x，y，数组[y，x]）

中的值

merged[y，x，：]

。此外，通过将此数组重新调整为x*y乘以3的数组，可以方便地将其转换为列表

事实上，

func

已经矢量化了。您只需要将数组而不是单个元素传递给它。但是，它可以利用使用

np.square

：

func=lambda x，y，z:[np.sqrt（x），np.sqrt（y），np.sqrt（np.square（x）+np.square（y）+np.square（z））]

经过这些修改后，创建列表的速度比以前快15倍左右：

def计算（数组）：
索引=np.索引（数组.形状）
merged=np.dstack（func（索引[1]，索引[0]，数组））
return merged.reforme（-1,3））.tolist（）
列表1=[func（x，y，数组[y，x]）表示itertools.product中的y，x（范围（0，高度，ystep），范围（0，宽度，xstep））]
list2=[func（x，y，数组[y，x]），用于np.ndindex（array.shape）中的y，x]
列表3=[func（x，y，value）表示（y，x），np.ndenumerate（数组）中的值]
list4=计算（数组）
断言（list1==list2和list1==list3和list1==list4）
timeit.timeit（lambda:[func（x，y，数组[y，x]），用于itertools.product中的y，x（范围（0，高度，ystep），范围（0，宽度，xstep）），数字=1）
# 1.2148581651999848
timeit.timeit（lambda:[func（x，y，数组[y，x]），用于np.ndindex（array.shape）]中的y，x，数字=1）
# 1.3134885265999856
timeit.timeit（lambda:[func（x，y，value）表示（y，x），np.ndenumerate（数组）中的值]，数字=1）
# 1.2504884549999815
timeit.timeit（lambda:compute（数组），number=1）
# 0.0784944145899999

我想您正在寻找。在检查它之后，它是in-numpy的一种替代方法。ndenumerate实际上运行得有点慢，而且

%%time
points3= [func(x,y,array[y,x]) for y,x in np.array(np.meshgrid(range(0,height,ystep),range(0,width,xstep))).T.reshape(-1,2)]
#--> Wall time: 2.16 s

points1==points2, points1==points3
#--> (True, True)

def compute(array):
    indices = np.indices(array.shape)
    merged = np.empty((*array.shape, 3))
    merged[:,:,0] = np.sqrt(indices[1])
    merged[:,:,1] = np.sqrt(indices[0])
    merged[:,:,2] = np.sqrt(np.square(indices[1]) + np.square(indices[0]) + np.square(array))
    return merged.reshape((-1, 3)).tolist()