Python 二维阵列上基于贝叶斯统计分析的音频滤波Numpy建议

我正在尝试创建一个音频过滤器，它将使用贝叶斯统计方法抑制现场记录中的背景噪声。现场的典型音频包含标准水平的背景噪声，在我的情况下，当我试图检测前景噪声时，这是不需要的

使用numpy和scipy可以分析音频以确定样本的统计标准偏差

在我的环境中，前景噪声通常具有与背景不同的功率密度。i、 e.密度值>=（2个标准偏差+平均值）功率密度（每个dft频率单元）

问题

我希望在

结果中应用一个基于音频功率密度
密度的二维numpy数组的函数。结果是一个高对比度的二维功率密度阵列，其中的值为0.0或1.0

使用二维数据，我正在检测音频录制（'.wav'文件）的选择，这些文件包含或不包含感兴趣的前景声音。然后，我可以根据需要将文件切成一口大小的块。我有大量+100MB wav文件，所以时间很重要

results = np.zeros((w,h))
sampleMean = mean.mean() # Average of averages

w,h = density.shape
for ww in range(w):
    for hh in range(h):

        # power density value
        v0 = density[ww][hh]

        # power density cutoff limit
        v1 = (2 * stdev[ww]) + mean[ww]

        if v0 > v1 and v0 > sampleMean:
            results[ww][hh] = 1.0

这个循环可以工作，但是启动起来又慢又难看。它应该能够避免编写循环，但我有点像个傻瓜。我能得到一些帮助吗？如果答案是pep8，那就更好了，我也在学习

是否有像map（）函数这样的内置numpy函数，它将数组位置的索引作为参数传递？在本例中，我并不担心就地数组操作，因为我也在酸洗和绘制
密度
和
结果
一种方法是使用np.repeat将stddev矩阵和平均矩阵扩展到密度数组的大小。因此，如果您只是矢量化而不是使用嵌套for循环，它可能会显著加快速度。然后你可以这样做，我假设stdev，v1，意思是numpy数组

v1 = (2*stdev) + mean
v1_new = np.repeat(np.expand_dims(v1,axis=0), repeats = h, axis=0)
result[density>sampleMean and density>v1_new] = 1

这将只是矢量化操作，而不是使用for循环。希望这有帮助。
谢谢。获取ValueError：包含多个元素的数组的真值不明确。使用a.any（）或a.all（）尝试结果[np.logical_和（Sxp>sampleMean，Sxp>v1_new）]=1抛出值错误：操作数无法与形状（65381691）（381691,65）一起广播。您只需对数组进行转置，就可以看到形状大小相同，只需使用
np.transposse
v1 = (2*stdev) + mean
v1_new = np.repeat(np.expand_dims(v1,axis=0), repeats = h, axis=0)
result[density>sampleMean and density>v1_new] = 1