使用 Numpy 在坐标网格中排列和子采样 3d 点答案

【问题标题】：Arrange and Sub-sample 3d Points in Coordinate Grid With Numpy使用 Numpy 在坐标网格中排列和子采样 3d 点
【发布时间】：2019-03-29 01:46:29
【问题描述】：

我有一个 3d 点列表，例如

np.array([
    [220, 114, 2000],
    [125.24, 214, 2519],
    ...
    [54.1, 254, 1249]
])

这些点的顺序没有意义。我想以更好地表示坐标网格的方式对数组进行排序和重塑（这样我就有了已知的宽度和高度，并且可以通过索引检索 Z 值）。我还想将这些点下采样成整数来处理碰撞。在下采样期间应用最小值、最大值或平均值。

我知道我可以使用 np.mean 和 np.shape 对一维数组进行下采样

我目前使用的方法是在 X、Y 中找到最小值和最大值，然后将 Z 值放入二维数组中，同时手动进行下采样。

这会多次迭代巨型数组，我想知道是否有办法使用 np.meshgrid 或我忽略的其他一些 numpy 功能来做到这一点。

谢谢

【问题讨论】：

您能否举一个您期望的输出示例？你想要一个arr[220,114] = 2000 的数组吗？
@tch 是的

标签： python arrays numpy linear-algebra data-science

【解决方案1】：

您可以使用Most efficient way to sort an array into bins specified by an index array? 中的分箱方法要从y,x 坐标中获取索引数组，您可以使用np.searchsorted 和np.ravel_multi_index

这是一个示例实现，stb 模块是链接帖子中的代码。

import numpy as np
from stb import sort_to_bins_sparse as sort_to_bins

def grid1D(u, N):
    mn, mx = u.min(), u.max()
    return np.linspace(mn, mx, N, endpoint=False)

def gridify(yxz, N):
    try:
        Ny, Nx = N
    except TypeError:
        Ny = Nx = N
    y, x, z = yxz.T
    yg, xg = grid1D(y, Ny), grid1D(x, Nx)
    yidx, xidx = yg.searchsorted(y, 'right')-1, xg.searchsorted(x, 'right')-1
    yx = np.ravel_multi_index((yidx, xidx), (Ny, Nx))
    zs = sort_to_bins(yx, z)
    return np.concatenate([[0], np.bincount(yx).cumsum()]), zs, yg, xg

def bin(yxz, N, binning_method='min'):
    boundaries, binned, yg, xg = gridify(yxz, N)
    result = np.full((yg.size, xg.size), np.nan)
    if binning_method == 'min':
        result.reshape(-1)[:len(boundaries)-1] = np.minimum.reduceat(binned, boundaries[:-1])
    elif binning_method == 'max':
        result.reshape(-1)[:len(boundaries)-1] = np.maximum.reduceat(binned, boundaries[:-1])
    elif binning_method == 'mean':
        result.reshape(-1)[:len(boundaries)-1] = np.add.reduceat(binned, boundaries[:-1]) / np.diff(boundaries)
    else:
        raise ValueError
    result.reshape(-1)[np.where(boundaries[1:] == boundaries[:-1])] = np.nan
    return result

def test():
    yxz = np.random.uniform(0, 100, (100000, 3))
    N = 20
    boundaries, binned, yg, xg = gridify(yxz, N)
    binmin = bin(yxz, N)
    binmean = bin(yxz, N, 'mean')
    y, x, z = yxz.T
    for i in range(N-1):
        for j in range(N-1):
            msk = (y>=yg[i]) & (y<yg[i+1]) & (x>=xg[j]) & (x<xg[j+1])
            assert (z[msk].min() == binmin[i, j]) if msk.any() else np.isnan(binmin[i, j])
            assert np.isclose(z[msk].mean(), binmean[i, j]) if msk.any() else np.isnan(binmean[i, j])

【讨论】：