Python 查找数据帧中相邻元素（行和列）的平均值

我有一张图像，我根据它的像素强度创建了一个数据帧。由此，我想创建一个网格，在其中我可以找到网格中每个正方形的平均强度，用2x2像素表示。这样做是为了捕获更大的强度区域，以便将其与背景噪声区分开来。（为了提供上下文，我认为最好包括这一点。）

在DataFrame中，这将转化为从一组2个相邻行和列中查找4个值的平均值

为了说明问题，假设我们有以下数据帧：

df=pd.DataFrame({'A':(np.linspace(1,4,num=4)),'B':(np.linspace(5,8,num=4)),'C':(np.linspace(9,12,num=4)), 'D':(np.linspace(13,16,num=4))})

由此，我们想要创建一个对应于每个平方的平均值的数据帧。在这种情况下，它将对应于以下值（例如，3是2x2平方的平均值，值为（1,5,2,6），11.5是（9,13,10,14）的平均值）：

如果问题仍然不清楚，想象一下，取原始数据框，在中间画一条垂直线和一条水平线。这将产生4个框。在4个框中的每个框中，您将找到4个值。我想计算每个框的平均值，并将其插入到由框的平均值组成的新数据框中

PS：不幸的是，我还不知道如何显示数据帧本身，而不仅仅是代码。打印功能不起作用。我希望这不会太麻烦

---

非常感谢！

使用底层的

numpy

数组，您可以非常高效地执行此操作：

def square_mean(arr, y, x):
    yy, xx = arr.shape
    vals = arr.reshape(y, yy//y, x, xx//x).mean((1,3))
    return vals

pd.DataFrame(square_mean(df.values, 2, 2))

---

此解决方案之所以有效，完全是因为对阵列进行了一些巧妙的重塑，以下是重塑的工作原理：

yy, xx = arr.shape
vals = arr.reshape(2, yy//2, 2, xx//2)
print(vals)

正如您所看到的，数组已被重塑为块，然后我们可以使用这些块来计算平均值

---

此解决方案将扩展到所有输入大小，只需选择

x

作为沿x轴的块数，选择

y

作为沿y轴的块数：

df = pd.DataFrame(np.random.randint(1, 5, (10, 10)))

   0  1  2  3  4  5  6  7  8  9
0  1  3  4  2  3  3  3  2  1  2
1  3  3  4  1  3  4  4  4  1  3
2  2  3  2  2  4  4  1  1  1  1
3  1  2  1  2  1  3  1  1  2  3
4  2  2  3  4  3  2  4  3  4  2
5  3  3  1  4  2  1  2  3  1  3
6  2  1  3  4  3  2  3  4  3  4
7  2  3  4  2  1  1  1  1  3  2
8  4  3  2  2  2  2  2  1  3  3
9  3  2  1  2  1  3  4  2  4  4

我们可以分成任意数量的块：

square_mean(df.values, 2, 2)

---

只需在基础numpy数组上使用卷积：

import scipy.ndimage
full_conv = scipy.ndimage.filters.convolve(df.values, 0.25*np.ones((2,2)))
strided_conv = full_conv[::2, ::2]

结果:

array([[ 3.5, 11.5],
       [ 5.5, 13.5]])

---

这是一个非常聪明的解决方案，我在第二行得到了一个

数据类型不可理解的错误

，似乎与您给convolution@user3483203哎呀。当我简化代码时，不小心删除了一些括号。修复了它，谢谢！

square_mean(df.values, 2, 2)

array([[2.44, 2.4 ],
       [2.4 , 2.48]])

square_mean(df.values, 5, 5)

array([[2.5 , 2.75, 3.25, 3.25, 1.75],
       [2.  , 1.75, 3.  , 1.  , 1.75],
       [2.5 , 3.  , 2.  , 3.  , 2.5 ],
       [2.  , 3.25, 1.75, 2.25, 3.  ],
       [3.  , 1.75, 2.  , 2.25, 3.5 ]])

import scipy.ndimage
full_conv = scipy.ndimage.filters.convolve(df.values, 0.25*np.ones((2,2)))
strided_conv = full_conv[::2, ::2]

array([[ 3.5, 11.5],
       [ 5.5, 13.5]])