Подсчитайте все значения в матрице, превышающей значение

Я должен подсчитать все значения в матрице (2-d массив), которые больше 200.

Код, который я записал для этого: 

za=0   
p31 = numpy.asarray(o31)   
for i in range(o31.size[0]):   
    for j in range(o32.size[1]):   
        if p31[i,j]<200:   
            za=za+1   
print za

o31 это образ, и я преобразую его в матрицу, а затем нахожу значения.

Мой вопрос в том, есть ли более простой способ сделать это?
4 40
python arrays numpy coding-style

4 ответа:

Функция numpy.where - Ваш друг. Поскольку он реализован, чтобы в полной мере использовать тип данных массива, для больших изображений вы должны заметить улучшение скорости по сравнению с чистым решением python, которое вы предоставляете.

Использование numpy.где непосредственно будет выдана логическая маска, указывающая, соответствуют ли определенные значения вашим условиям: 

>>> data
array([[1, 8],
       [3, 4]])
>>> numpy.where( data > 3 )
(array([0, 1]), array([1, 1]))

И маску можно использовать для индексации массива напрямую, чтобы получить фактические значения: 

>>> data[ numpy.where( data > 3 ) ]
array([8, 4])

Именно от того, где вы его возьмете, будет зависеть в какой форме вы хотели бы получить результаты.

57

Это очень просто с булевыми массивами: 

p31 = numpy.asarray(o31)
za = (p31 < 200).sum() # p31<200 is a boolean array, so `sum` counts the number of True elements
54

Есть много способов достичь этого, например, сглаживать и фильтровать или просто перечислять, но я думаю, что использованиеboolean/mask array является самым простым (и iirc намного быстрее): 

>>> y = np.array([[123,24123,32432], [234,24,23]])
array([[  123, 24123, 32432],
       [  234,    24,    23]])
>>> b = y > 200
>>> b
array([[False,  True,  True],
       [ True, False, False]], dtype=bool)
>>> y[b]
array([24123, 32432,   234])
>>> len(y[b])
3
>>>> y[b].sum()
56789

Обновление :

Как ответил ннеоннео, если все, что вам нужно, - это число элементов, которое проходит порог, вы можете просто сделать: 

>>>> (y>200).sum()
3

Что является более простым решением.

Сравнение скорости с filter: 

### use boolean/mask array ###

b = y > 200

%timeit y[b]
100000 loops, best of 3: 3.31 us per loop

%timeit y[y>200]
100000 loops, best of 3: 7.57 us per loop

### use filter ###

x = y.ravel()
%timeit filter(lambda x:x>200, x)
100000 loops, best of 3: 9.33 us per loop

%timeit np.array(filter(lambda x:x>200, x))
10000 loops, best of 3: 21.7 us per loop

%timeit filter(lambda x:x>200, y.ravel())
100000 loops, best of 3: 11.2 us per loop

%timeit np.array(filter(lambda x:x>200, y.ravel()))
10000 loops, best of 3: 22.9 us per loop

*** use numpy.where ***

nb = np.where(y>200)
%timeit y[nb]
100000 loops, best of 3: 2.42 us per loop

%timeit y[np.where(y>200)]
100000 loops, best of 3: 10.3 us per loop
17

Вот вариант, который использует причудливую индексацию и имеет фактические значения в качестве промежуточного: 

p31 = numpy.asarray(o31)
values = p31[p31<200]
za = len(values)
7