对 numpy 数组进行下采样的最佳方法是什么？答案

【问题标题】：What's the best way to downsample a numpy array?对 numpy 数组进行下采样的最佳方法是什么？
【发布时间】：2017-06-13 17:05:10
【问题描述】：

我有一个 3 维 numpy 数组，形状为 Nx64x64。我想通过取平均值在维度 1 和维度 2 上对其进行下采样，从而得到一个形状为 Nx8x8 的新数组。

我有几个可行的实现，但我觉得必须有一种更简洁的方法。

我最初尝试使用 np.split：

def subsample(inparray, n):
    inp = inparray.copy()
    res = np.moveaxis(np.array(np.hsplit(inp, inp.shape[1]/n)), 1, 0)
    res = np.moveaxis(np.array(np.split(res, inp.shape[2]/n, axis=3)), 1, 0)
    res = np.mean(res, axis=(3,4))
    return res

我也尝试过使用普通索引：

def subsample2(inparray, n):
    res = np.zeros((inparray.shape[0], n, n))
    lin = np.linspace(0, inparray.shape[1], n+1).astype(int)
    bounds = np.stack((lin[:-1], lin[1:]), axis=-1)

    for i, b in enumerate(bounds):
        for j, b2 in enumerate(bounds):
            res[:, i, j] = np.mean(inparray[:, b[0]:b[1], b2[0]:b2[1]], axis=(1,2))
    return res

我曾想过使用 itertools.groupby，但它看起来也很复杂。

有人知道干净的解决方案吗？

【问题讨论】：

标签： python arrays numpy

【解决方案1】：

scikit-image 模块 (link to docs) 中的函数 block_reduce 有一个简洁的解决方案。

它有一个非常简单的接口，可以通过应用numpy.mean 之类的函数来对数组进行下采样。通过为块提供具有不同大小的元组，可以通过针对不同轴的不同因素来完成下采样。这是一个二维数组的例子；使用均值仅对轴 1 下采样 5：

import numpy as np
from skimage.measure import block_reduce

arr = np.stack((np.arange(1,20), np.arange(20,39)))

# array([[ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
#        [20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38]])

arr_reduced = block_reduce(arr, block_size=(1,5), func=np.mean, cval=np.mean(arr))

# array([[ 3. ,  8. , 13. , 17.8],
#        [22. , 27. , 32. , 33. ]])

【讨论】：

谢谢！你的回复真的很有用。

【解决方案2】：

重塑以将最后两个轴拆分为另外两个轴，使后拆分轴的长度等于块大小，给我们一个5D数组，然后在第三个和第五个轴上使用mean -

BSZ = (8,8)
m,n = a.shape[1:]
out = a.reshape(N,m//BSZ[0],BSZ[0],n//BSZ[1],BSZ[1]).mean(axis=(2,4))

样本在具有较小块大小的较小阵列上运行(2,2) -

1) 输入：

In [271]: N = 2

In [272]: a = np.random.randint(0,9,(N,6,6))

In [273]: a
Out[273]: 
array([[[3, 1, 8, 7, 8, 2],
        [0, 6, 2, 6, 8, 2],
        [2, 1, 1, 0, 0, 1],
        [8, 3, 0, 2, 8, 0],
        [4, 7, 2, 6, 6, 7],
        [5, 5, 1, 7, 2, 7]],

       [[0, 0, 8, 1, 7, 6],
        [8, 6, 5, 8, 4, 0],
        [0, 3, 7, 7, 6, 1],
        [7, 1, 7, 6, 3, 6],
        [7, 6, 4, 6, 4, 5],
        [4, 2, 0, 2, 6, 2]]])

2) 手动验证获取少量输出值：

In [274]: a[0,:2,:2].mean()
Out[274]: 2.5

In [275]: a[0,:2,2:4].mean()
Out[275]: 5.75

In [276]: a[0,:2,4:6].mean()
Out[276]: 5.0

In [277]: a[0,2:4,:2].mean()
Out[277]: 3.5

3) 使用建议的方法并手动验证：

In [278]: BSZ = (2,2)

In [279]: m,n = a.shape[1:]

In [280]: a.reshape(N,m//BSZ[0],BSZ[0],n//BSZ[1],BSZ[1]).mean(axis=(2,4))
Out[280]: 
array([[[ 2.5 ,  5.75,  5.  ],
        [ 3.5 ,  0.75,  2.25],
        [ 5.25,  4.  ,  5.5 ]],

       [[ 3.5 ,  5.5 ,  4.25],
        [ 2.75,  6.75,  4.  ],
        [ 4.75,  3.  ,  4.25]]])

【讨论】：

【解决方案3】：

您可以使用zoom - scipy.ndimage。此库允许您沿 3 个轴中的任何一个进行缩放。

【讨论】：