有没有办法使用曼哈顿距离选择 Numpy 2D 数组的子集？

Question

例如，我有一个用零填充的 Numpy 二维数组（7 行 7 列）：

my_array = numpy.zeros((7, 7))

然后为了论证，我想选择中间的元素并将其值设置为1：

my_array[3,3] = 1

现在假设我的曼哈顿距离为 3，如何对数组进行子集化以仅选择小于或等于曼哈顿距离（从中间元素开始）的元素并将这些元素设置为 1？最终结果应该是：

我可以遍历二维数组中的每个元素，但不想这样做，因为这太昂贵了，特别是如果我的矩阵非常大而曼哈顿距离非常小（例如 70x70 矩阵，曼哈顿距离为10).

Answer 1

我将使用网格创建一个大小为 2,n,n 的辅助矩阵来优化索引，然后减去所需的索引中心，将减去的索引的绝对值相加并进行阈值比较。这里有一些例子

import numpy as np
import matplotlib.pyplot as plt #to draw result



n=70 #size of matrix
distance = 10 #distance
centerCoord = [35,35]

#here i create a mesh matrix of indices
xarr   = np.arange(n)
idxMat = np.meshgrid(xarr,xarr) #create a matrix [2,n,n] 

pt = np.array(centerCoord).reshape(-1,1,1) #point of size [2,1,1]


elems =  np.abs(idxMat-pt).sum(axis=0) <= distance

plt.matshow(elems)

结果：

如果您需要索引，请调用 np.where，它将返回 2 个数组 (xindexList,yindexList)