在 NumPy 中操纵屏蔽数组
1. 介绍
numpy.ma子模块通过引入掩码数组提供了一种解决数据缺失或无效问题的安全、便捷的方法。numpy.ma子模块的主体是MaskedArray类,他是numpy.ndarray的派生类,可以把numpy.ma子模块当做ndarray来用,且无须考虑数组的无效值是否会给操作带来无法预制的意外
2. 创建掩码数组
import numpy as np import numpy.ma as ma
2.1 由列表生成掩码数组
掩码数组子模块的ma.array()函数和Numpy的np.array()函数类似,可以直接将列表生成掩码数组,默认mask参数为False,生成的数组类型是MaskedArray类。数组掩码梳理后,无论是查找最大值、最小值,还是计算均值、方差,都不用再担心数据是否无效的问题了
import numpy as np import numpy.ma as ma a = ma.array([0, 1, 2, 3], mask=[0, 0, 1, 0]) # 指定第3个元素无效 print(a) print(type(a)) print(a.min(), a.max(), a.mean(), a.var())
2.2 由数组生成掩码数组
ma.asarray()函数可以将普通的NumPy数组转成掩码数组。新生成的掩码数组不会对原数组中的np.nan或np.inf做掩码处理,但是会相应调整填充值(fill_value)
import numpy as np import numpy.ma as ma a = np.arange(5) print(ma.asarray(a)) a = np.array([1, np.nan, 2, np.inf, 3]) # 包含特殊值的数组 print(ma.asarray(a))
2.3 对数组中的无效值做掩码处理
ma.asarray()函数不会对原数组中的np.nan或np.inf做掩码处理,ma.masked_invalid()函数则可以实现这个功能
import numpy as np import numpy.ma as ma a = np.array([1, np.nan, 2, np.inf, 3]) print(ma.masked_invalid(a))
2.4 对数组中的给定值做掩码处理
有时需要将数组中的某个给定值设置为无效(掩码),ma.masked_equal()函数可以实现这个功能
import numpy as np import numpy.ma as ma a = np.arange(3).repeat(2) print(ma.masked_equal(a, 1)) # 对数组元素1做掩码
2.5 对数组中符合条件的特定值做掩码处理
有时需要将数组中符合条件的某些特定值设置为无效(掩码),掩码数组子模块提供了若干函数实现条件掩码。这些可能的筛选条件包括大于、大于等于、小于、小于等于、区间内、区间外等6中。
import numpy as np import numpy.ma as ma a = np.arange(8) print(ma.masked_greater(a, 4)) # 掩码大于4的元素 print(ma.masked_greater_equal(a, 4)) # 掩码大于等于4的元素 print( ma.masked_less(a, 4)) # 掩码小于4的元素 print(ma.masked_less_equal(a, 4)) # 掩码小于等于4的元素 print(ma.masked_inside(a, 2, 5)) # 掩码 [2,5]之间的元素 print(ma.masked_outside(a, 2, 5)) # 掩码 [2,5]之外的元素
2.6 用一个数组的条件筛选结果对另一个数组做掩码处理
a和b是两个结构相同的数组,如果用a>5的条件对数组b掩码,上面那些函数就失效了。这种情况可以使用ma.masked_where()函数,该函数也可以对数组自身掩码
import numpy as np import numpy.ma as ma a = np.arange(8) b = np.random.random(8) print( ma.masked_where(a>5, b)) # 用a>5的条件掩码数组b
3. 访问掩码数组
3.1 索引和切片
因为掩码数组MaskedArray类是numpy.ndarray的派生类,所以那些用在普通NumPy数组上的索引和切片操作也依然有效
import numpy as np import numpy.ma as ma a = np.array([1, np.nan, 2, np.inf, 3]) a = ma.masked_invalid(a) print(a[0], a[1], a[-1]) print(a[1:-1])
3.2 函数应用
掩码数组内置方法的使用和普通数组没有区别。使用NumPy命名空间的函数则要慎重,如果掩码数组子模块有对应函数,应优先使用数组子模块的对应函数。例如,对掩码数组求正弦,如果使用np.sin()函数,会发出警告信息;如果使用ma.sin()函数,则无任何问题
import numpy as np import numpy.ma as ma a = np.array([1, np.nan, 2, np.inf, 3]) a = ma.masked_invalid(a) print(a.min(), a.max(), a.mean(), a.var()) #print(np.sin(a)) # 虽然可以执行,但会弹出警告 print(ma.sin(a)) # 这才是正确的用法
3.3 掩码数组转为普通数组
任何情况下,我们都可以通过掩码数组的data属性来获得掩码数组的数据视图,其类型就是np.ndarray数组。另外,还可以使用掩码数组的__array__()函数或ma.getdata()函数来获取掩码数组的数据视图。上述三种方法获得数据视图的操作,本质上都是操作掩码的数组本身。如果需要数据视图副本,需使用copy()函数
import numpy as np import numpy.ma as ma a = ma.array([1, np.nan, 2, np.inf, 3]) print(a) x = a.data y = a.__array__() z = ma.getdata(a) w = np.copy(a.__array__()) # 复制数据视图 print(x) print(y) print(z) print(w) a[-1] = 9 print(x) print(y) print(z) print(w)
3.4 修改掩码
通过掩码数组的mask属性可以查看当前数组的掩码情况,其代码如下。通常,数组的掩码是一个布尔型数组,或是一个布尔值
import numpy as np import numpy.ma as ma a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3])) print(a.mask)
如果要对数组切片掩码或对数组的某个元素掩码,直接令该切片或该元素等于ma.masked常量即可
import numpy as np import numpy.ma as ma a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3])) print(a.mask) print(a) a[:2] = ma.masked print(a)
如果要撤销对数组切片或数组中的某个元素的掩码,只需要对该切片或该元素做赋值操作即可
import numpy as np import numpy.ma as ma a = ma.masked_invalid(np.array([1, np.nan, 2, np.inf, 3])) a[1] = 1.5 a[2:4] = 5 print(a)
到此这篇关于NumPy中掩码数组的操作的文章就介绍到这了,更多相关NumPy 掩码数组内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持!
推荐阅读
-
Numpy 模块中的ndarray 对象属性、数组、合并和拆分
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
在C/C++中,如何轻松获取数组的长度?(使用宏和模板)
-
在Java中如何识别并找出数组里的重复数字?
-
询问在C++中如何对数组运用std::sort进行排序的操作步骤
-
3种方法在JavaScript中向数组添加新元素
-
简易讲解:在JavaScript中添加数组元素的三种方式
-
简易讲解:在JavaScript中添加数组元素的三种方法
-
在 Java 中向数组添加新元素的步骤
-
在Java中向数组添加新元素的方法指南