Python 使用numpy中的矢量化操作从大型二维阵列恢复图像有没有更快的方法

我有一个尺寸为n x 1008的大型二维阵列（通常为0.5到2GB）。此数组包含多个图像，数组中的值实际上是像素值。基本上，恢复这些图像的方法如下

开始迭代数组

取前260行，即有260*1008=262080个值

对于第261行，仅取前64个值（该行中的其余值为垃圾值）。因此，现在我们有262144个像素值

将所有这些值转储到一个一维数组中，说Dump，然后做np。重塑（Dump，（512512）），以获得图像。请注意，512x512=262144

再次从第262行开始重复相同的操作

这是我的解决方案

counter=0
dump=np.array([], dtype=np.uint16)
#pixelDat is the array shaped n x 1008 containing the pixel values
for j in xrange(len(pixelDat)):
    #Check if it is the last row for a particular image
    if(j == (260*(counter+1)+ counter)):
        counter += 1
        dump=np.append(dump, pixelDat[j][:64])
        #Reshape dump to form the image and write it to a fits file
        hdu = fits.PrimaryHDU(np.reshape(dump, (512,512)))
        hdu.writeto('img'+str("{0:0>4}".format(counter))+'.fits', clobber=True)
        #Clear dump to enable formation of next image
        dump=np.array([], dtype=np.uint16)
    else:
        dump=np.append(dump, pixelDat[j])

我一直在想是否有办法加快整个过程。我想到的第一件事是使用矢量化numpy操作。然而，我不太确定如何在这种情况下应用它

---

注：不要担心配合和hdu部件。它只是为我的图像创建一个.fits文件。

这里尝试使用展平和

np.split

。它避免了复制数据

def chop_up(pixelDat):
    sh = pixelDat.shape
    try:
        # since the array is large we do not want a copy
        # the next line will succeed only if we can reshape in-place
        pixelDat.shape = -1
    except:
        return False # user must resort to other method
    N = len(pixelDat)
    split = (np.arange(0, N, 261*1008)[:, None] + (0, 512*512)).ravel()[1:]
    if split[-1] > N:
       split = split[:-2]
    result = [x.reshape(512,512) for x in np.split(pixelDat, split) if len(x) == 512*512]
    pixelDat.shape = sh
    return result

---

是

pixelDat

a

numpy

array吗？@PaulPanzer pixelDat是一个numpy array我已经尝试过了，只是切块，不适合。让我知道它是否适合你。重复的

np.append

很慢。最好是

alist.append（…）

，然后构建

dump=np.array（alist，…）

一次。@hpaulj好的，我会尝试一下。你认为用Cython写同样的东西会有帮助吗？我不理解你代码的某些地方。split=（np.arange（0，N，261*1008）[：，None]+（0，512*512））.ravel（）[1:]总是给出相同的值，不知道N的值是什么。那为什么不硬编码呢？pixelDat.shape=sh（你需要这条线做什么？似乎没有用，因为我们只返回结果）@AnirbanDutta没有，我只是检查了一下。您是否尝试了足够大的N值？比如100万对200万？这样指定形状会将其更改到位，这意味着引用对象的任何变量都会看到更改。Try

A=np.arange（4）；B=A；B.形状=2,2；A

哦，我的糟糕..我忘了我的数组很大。。其余的似乎没问题。现在应该工作得更快了。

np.split

在

split

列表上迭代，执行类似于

[pixelDat[i:j，；]的操作，用于zip中的i，j（开始，停止）]

。即连续地获取阵列的切片。通过在一次迭代中进行拆分和重塑，您可能会节省一些时间。另一方面，这可能会使代码更加混乱。@hpaulj谢谢，很高兴知道这一点。我养成了向后弯腰的习惯，以便能够在列表理解上使用“快速”

split

在这种特殊情况下，它可能不值得玩弄。可以有多少块250K元素？