NumPy 秘籍中文第二版：二、高级索引和数组概念-阿里云开发者社区

在本章中，我们将介绍以下秘籍：

安装 SciPy
安装 PIL
调整图像大小
比较视图和副本
翻转 Lena
花式索引
位置列表索引
布尔值索引
数独的步幅技巧
广播数组

简介

NumPy 以其高效的数组而闻名。之所以成名，部分原因是索引容易。我们将演示使用图像的高级索引技巧。在深入研究索引之前，我们将安装必要的软件 – SciPy 和 PIL。如果您认为有此需要，请参阅第 1 章“使用 IPython”的“安装 matplotlib”秘籍。

在本章和其他章中，我们将使用以下导入：

import numpy as np 
import matplotlib.pyplot as plt
import scipy

我们还将尽可能为print() Python 函数使用最新的语法。

注意

Python2 是仍然很流行的主要 Python 版本，但与 Python3 不兼容。Python2 直到 2020 年才正式失去支持。主要区别之一是print()函数的语法。本书使用的代码尽可能与 Python2 和 Python3 兼容。

本章中的一些示例涉及图像处理。为此，我们将需要 Python 图像库（PIL），但不要担心；必要时会在本章中提供帮助您安装 PIL 和其他必要 Python 软件的说明和指示。

安装 SciPy

SciPy 是科学的 Python 库，与 NumPy 密切相关。实际上，SciPy 和 NumPy 在很多年前曾经是同一项目。就像 NumPy 一样，SciPy 是一个开放源代码项目，已获得 BSD 许可。在此秘籍中，我们将安装 SciPy。 SciPy 提供高级功能，包括统计，信号处理，线性代数，优化，FFT，ODE 求解器，插值，特殊功能和积分。 NumPy 有一些重叠，但是 NumPy 主要提供数组功能。

准备

在第 1 章，“使用 IPython”中，我们讨论了如何安装setuptools和pip。如有必要，请重新阅读秘籍。

操作步骤

在此秘籍中，我们将完成安装 SciPy 的步骤：

从源安装：如果已安装 Git，则可以使用以下命令克隆 SciPy 存储库：

$ git clone https://github.com/scipy/scipy.git
$ python setup.py build
$ python setup.py install --user

这会将 SciPy 安装到您的主目录。它需要 Python 2.6 或更高版本。在构建之前，您还需要安装 SciPy 依赖的以下包：

BLAS和LAPACK库
C 和 Fortran 编译器

您可能已经在 NumPy 安装过程中安装了此软件。
在 Linux 上安装 SciPy：大多数 Linux 发行版都包含 SciPy 包。我们将遵循一些流行的 Linux 发行版中的必要步骤（您可能需要以 root 用户身份登录或具有sudo权限）：

为了在 RedHat，Fedora 和 CentOS 上安装 SciPy，请从命令行运行以下指令：

$ yum install python-scipy

为了在 Mandriva 上安装 SciPy，请运行以下命令行指令：

$ urpmi python-scipy

为了在 Gentoo 上安装 SciPy，请运行以下命令行指令：

$ sudo emerge scipy

在 Debian 或 Ubuntu 上，我们需要输入以下指令：

$ sudo apt-get install python-scipy

在 MacOSX 上安装 SciPy：需要 Apple Developer Tools（XCode），因为它包含BLAS和LAPACK库。可以在 App Store 或 Mac 随附的安装 DVD 中找到它。或者您可以从 Apple Developer 的连接网站获取最新版本。确保已安装所有内容，包括所有可选包。
您可能已经为 NumPy 安装了 Fortran 编译器。 gfortran的二进制文件可以在这个链接中找到。
使用easy_install或pip安装 SciPy：您可以使用以下两个命令中的任何一个来安装 SciPy（sudo的需要取决于权限）：

$ [sudo] pip install scipy
$ [sudo] easy_install scipy
```**

在 Windows 上安装：如果已经安装 Python，则首选方法是下载并使用二进制发行版。或者，您可以安装 Anaconda 或 Enthought Python 发行版，该发行版与其他科学 Python 包一起提供。
检查安装：使用以下代码检查 SciPy 安装：

import scipy
print(scipy.__version__)
print(scipy.__file__)

这应该打印正确的 SciPy 版本。

工作原理

大多数包管理器都会为您解决依赖项（如果有）。但是，在某些情况下，您需要手动安装它们。这超出了本书的范围。

另见

如果遇到问题，可以在以下位置寻求帮助：

freenode的#scipy IRC 频道
SciPy 邮件列表

安装 PIL

PIL（Python 图像库）是本章中进行图像处理的先决条件。如果愿意，可以安装 Pillow，它是 PIL 的分支。有些人喜欢 Pillow API；但是，我们不会在本书中介绍其安装。

操作步骤

让我们看看如何安装 PIL：

在 Windows 上安装 PIL：使用 Windows 中的 PIL 可执行文件安装 PIL。
在 Debian 或 Ubuntu 上安装：在 Debian 或 Ubuntu 上，使用以下命令安装 PIL：

$ sudo apt-get install python-imaging

使用easy_install或pip安装：在编写本书时，似乎 RedHat，Fedora 和 CentOS 的包管理器没有对 PIL 的直接支持。因此，如果您使用的是这些 Linux 发行版之一，请执行此步骤。
使用以下任一命令安装：

$ easy_install PIL
$ sudo pip install PIL

另见

可在这里找到有关 PILLOW（PIL 的分支）的说明。

调整图像大小

在此秘籍中，我们将把 Lena 的样例图像（在 SciPy 发行版中可用）加载到数组中。顺便说一下，本章不是关于图像操作的。我们将只使用图像数据作为输入。

注意

Lena Soderberg 出现在 1972 年的《花花公子》杂志中。由于历史原因，这些图像之一经常用于图像处理领域。不用担心，该图像完全可以安全工作。

我们将使用repeat()函数调整图像大小。此函数重复一个数组，这意味着在我们的用例中按一定的大小调整图像大小。

准备

此秘籍的前提条件是必须安装 SciPy，matplotlib 和 PIL。看看本章和第 1 章，“使用 IPython”的相应秘籍。

操作步骤

通过以下步骤调整图像大小：

首先，导入SciPy。 SciPy 具有lena()函数。它用于将图像加载到 NumPy 数组中：

lena = scipy.misc.lena()

从 0.10 版本开始发生了一些重构，因此，如果您使用的是旧版本，则正确的代码如下：

lena = scipy.lena()

使用numpy.testing包中的assert_equal()函数检查 Lena 数组的形状-这是可选的完整性检查测试：

np.testing.assert_equal((LENA_X, LENA_Y), lena.shape)

使用repeat()函数调整 Lena 数组的大小。我们在x和y方向上给此函数一个调整大小的因子：

resized = lena.repeat(yfactor, axis=0).repeat(xfactor, axis=1)

我们将在同一网格的两个子图中绘制 Lena 图像和调整大小后的图像。使用以下代码在子图中绘制 Lena 数组：

plt.subplot(211)
plt.title("Lena")
plt.axis("off")
plt.imshow(lena)

matplotlib subplot()函数创建一个子图。此函数接受一个三位整数作为参数，其中第一位是行数，第二位是列数，最后一位是子图的索引，从 1 开始。imshow()函数显示图像。最后，show()函数显示最终结果。
将调整大小后的数组绘制在另一个子图中并显示它。索引现在为 2：

plt.subplot(212)
plt.title("Resized")
plt.axis("off")
plt.imshow(resized)
plt.show()

以下屏幕截图显示了结果，以及原始图像（第一幅）和调整大小后的图像（第二幅）：

以下是本书代码包中resize_lena.py文件中该秘籍的完整代码：

import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# This script resizes the Lena image from Scipy.
# Loads the Lena image into an array
lena = scipy.misc.lena()
#Lena's dimensions
LENA_X = 512
LENA_Y = 512
#Check the shape of the Lena array
np.testing.assert_equal((LENA_X, LENA_Y), lena.shape)
# Set the resize factors
yfactor = 2
xfactor = 3
# Resize the Lena array
resized = lena.repeat(yfactor, axis=0).repeat(xfactor, axis=1)
#Check the shape of the resized array
np.testing.assert_equal((yfactor * LENA_Y, xfactor * LENA_Y), resized.shape)
# Plot the Lena array
plt.subplot(211)
plt.title("Lena")
plt.axis("off")
plt.imshow(lena)
#Plot the resized array
plt.subplot(212)
plt.title("Resized")
plt.axis("off")
plt.imshow(resized)
plt.show()

工作原理

repeat()函数重复数组，在这种情况下，这会导致原始图像的大小改变。 subplot() matplotlib 函数创建一个子图。 imshow()函数显示图像。最后，show()函数显示最终结果。

另见

第 1 章“使用 IPython”中的“安装 matplotlib”
本章中的“安装 SciPy”
本章中的“安装 PIL”
这个页面中介绍了repeat()函数。

创建视图和副本

了解何时处理共享数组视图以及何时具有数组数据的副本，这一点很重要。例如，切片将创建一个视图。这意味着，如果您将切片分配给变量，然后更改基础数组，则此变量的值将更改。我们将根据著名的 Lena 图像创建一个数组，复制该数组，创建一个视图，最后修改视图。

准备

前提条件与先前的秘籍相同。

操作步骤

让我们创建 Lena 数组的副本和视图：

创建 Lena 数组的副本：

acopy = lena.copy()

创建数组的视图：

aview = lena.view()

使用flat迭代器将视图的所有值设置为0：

aview.flat = 0

最终结果是只有一个图像（与副本相关的图像）显示了花花公子模型。其他图像完全消失：

以下是本教程的代码，显示了本书代码包中copy_view.py文件中数组视图和副本的行为：

import scipy.misc
import matplotlib.pyplot as plt
lena = scipy.misc.lena()
acopy = lena.copy()
aview = lena.view()
# Plot the Lena array
plt.subplot(221)
plt.imshow(lena)
#Plot the copy
plt.subplot(222)
plt.imshow(acopy)
#Plot the view
plt.subplot(223)
plt.imshow(aview)
# Plot the view after changes
aview.flat = 0
plt.subplot(224)
plt.imshow(aview)
plt.show()

工作原理

如您所见，通过在程序结尾处更改视图，我们更改了原始 Lena 数组。这样就产生了三张蓝色（如果您正在查看黑白图像，则为空白）图像-复制的数组不受影响。重要的是要记住，视图不是只读的。

另见

NumPy view()函数的文档位于这里

翻转 Lena

我们将翻转 SciPy Lena 图像-当然，所有这些都是以科学的名义，或者至少是作为演示。除了翻转图像，我们还将对其进行切片并对其应用遮罩。

操作步骤

步骤如下：

使用以下代码围绕垂直轴翻转 Lena 数组：

plt.imshow(lena[:,::-1])

从图像中切出一部分并将其绘制出来。在这一步中，我们将看一下 Lena 数组的形状。该形状是表示数组大小的元组。以下代码有效地选择了花花公子图片的左上象限：

plt.imshow(lena[:lena.shape[0]/2,:lena.shape[1]/2])

通过在 Lena 数组中找到所有偶数的值，对图像应用遮罩（这对于演示目的来说是任意的）。复制数组并将偶数值更改为 0。这样会在图像上放置很多蓝点（如果您正在查看黑白图像，则会出现暗点）：

mask = lena % 2 == 0
masked_lena = lena.copy()
masked_lena[mask] = 0

所有这些工作都会产生2 x 2的图像网格，如以下屏幕截图所示：

这是本书代码包中flip_lena.py文件中此秘籍的完整代码：

import scipy.misc
import matplotlib.pyplot as plt
# Load the Lena array
lena = scipy.misc.lena()
# Plot the Lena array
plt.subplot(221)
plt.title('Original')
plt.axis('off')
plt.imshow(lena)
#Plot the flipped array
plt.subplot(222)
plt.title('Flipped')
plt.axis('off')
plt.imshow(lena[:,::-1])
#Plot a slice array
plt.subplot(223)
plt.title('Sliced')
plt.axis('off')
plt.imshow(lena[:lena.shape[0]/2,:lena.shape[1]/2])
# Apply a mask
mask = lena % 2 == 0
masked_lena = lena.copy()
masked_lena[mask] = 0
plt.subplot(224)
plt.title('Masked')
plt.axis('off')
plt.imshow(masked_lena)
plt.show()

另见

第 1 章“使用 IPython”中的“安装 matplotlib”
本章中的“安装 SciPy”
本章中的“安装 PIL”

花式索引

在本教程中，我们将应用花式索引将 Lena 图像的对角线值设置为 0。这将沿着对角线绘制黑线并交叉，这不是因为图像有问题，而仅仅作为练习。花式索引是不涉及整数或切片的索引；这是正常的索引编制。

操作步骤

我们将从第一个对角线开始：

将第一个对角线的值设置为0。
要将对角线值设置为0，我们需要为x和y值定义两个不同的范围：

lena[range(xmax), range(ymax)] = 0

将另一个对角线的值设置为0。
要设置另一个对角线的值，我们需要一组不同的范围，但是原理保持不变：

lena[range(xmax-1,-1,-1), range(ymax)] = 0

最后，我们得到带有对角线标记的图像，如以下屏幕截图所示：

以下是本书代码集中fancy.py文件中该秘籍的完整代码：

import scipy.misc
import matplotlib.pyplot as plt
# This script demonstrates fancy indexing by setting values
# on the diagonals to 0.
# Load the Lena array
lena = scipy.misc.lena()
xmax = lena.shape[0]
ymax = lena.shape[1]
# Fancy indexing
# Set values on diagonal to 0
# x 0-xmax
# y 0-ymax
lena[range(xmax), range(ymax)] = 0
# Set values on other diagonal to 0
# x xmax-0
# y 0-ymax
lena[range(xmax-1,-1,-1), range(ymax)] = 0
# Plot Lena with diagonal lines set to 0
plt.imshow(lena)
plt.show()

工作原理

我们为x值和y值定义了单独的范围。这些范围用于索引 Lena 数组。花式索引是基于内部 NumPy 迭代器对象执行的。执行以下步骤：

创建迭代器对象。
迭代器对象绑定到数组。
数组元素通过迭代器访问。

另见

花式索引的实现文档

位置列表索引

让我们使用ix_()函数来随机播放 Lena 图像。此函数根据多个序列创建网格。

操作步骤

我们将从随机改组数组索引开始：

使用numpy.random模块的shuffle()函数创建随机索引数组：

def shuffle_indices(size):
   arr = np.arange(size)
   np.random.shuffle(arr)
   return arr

绘制乱序的索引：

plt.imshow(lena[np.ix_(xindices, yindices)])

我们得到的是一张完全打乱的 Lena 图像，如以下屏幕截图所示：

这是本书代码包中ix.py文件中秘籍的完整代码：

import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# Load the Lena array
lena = scipy.misc.lena()
xmax = lena.shape[0]
ymax = lena.shape[1]
def shuffle_indices(size):
   '''
   Shuffles an array with values 0 - size
   '''
   arr = np.arange(size)
   np.random.shuffle(arr)
   return arr
xindices = shuffle_indices(xmax)
np.testing.assert_equal(len(xindices), xmax)
yindices = shuffle_indices(ymax)
np.testing.assert_equal(len(yindices), ymax)
# Plot Lena
plt.imshow(lena[np.ix_(xindices, yindices)])
plt.show()

另见

ix_()函数的文档页面

布尔值索引

布尔索引是基于布尔数组的索引，属于奇特索引的类别。

操作步骤

我们将这种索引技术应用于图像：

在对角线上带有点的图像。
这在某种程度上类似于本章中的“花式索引”秘籍。这次，我们在图像的对角线上选择模4：

def get_indices(size):
   arr = np.arange(size)
   return arr % 4 == 0

然后，我们只需应用此选择并绘制点：

lena1 = lena.copy() 
xindices = get_indices(lena.shape[0])
yindices = get_indices(lena.shape[1])
lena1[xindices, yindices] = 0
plt.subplot(211)
plt.imshow(lena1)

在最大值的四分之一到四分之三之间选择数组值，并将它们设置为0：

lena2[(lena > lena.max()/4) & (lena < 3 * lena.max()/4)] = 0

带有两个新图像的图看起来类似于以下屏幕截图所示：

这是本书代码包中boolean_indexing.py文件中该秘籍的完整代码：

import scipy.misc
import matplotlib.pyplot as plt
import numpy as np
# Load the Lena array
lena = scipy.misc.lena()
def get_indices(size):
   arr = np.arange(size)
   return arr % 4 == 0
# Plot Lena
lena1 = lena.copy() 
xindices = get_indices(lena.shape[0])
yindices = get_indices(lena.shape[1])
lena1[xindices, yindices] = 0
plt.subplot(211)
plt.imshow(lena1)
lena2 = lena.copy() 
# Between quarter and 3 quarters of the max value
lena2[(lena > lena.max()/4) & (lena < 3 * lena.max()/4)] = 0
plt.subplot(212)
plt.imshow(lena2)
plt.show()

工作原理

由于布尔值索引是一种花式索引，因此它的工作方式基本相同。这意味着索引是在特殊的迭代器对象的帮助下发生的。

另见

“花式索引”

数独的步幅技巧

ndarray 类具有strides字段，它是一个元组，指示通过数组时要在每个维中步进的字节数。让我们对将数独谜题拆分为3 x 3正方形的问题应用一些大步技巧。

注意

对数独的规则进行解释超出了本书的范围。简而言之，数独谜题由3 x 3的正方形组成。这些正方形均包含九个数字。有关更多信息，请参见这里。

操作步骤

应用如下的跨步技巧：

让我们定义sudoku数组。此数组充满了一个实际的已解决的数独难题的内容：

sudoku = np.array([
    [2, 8, 7, 1, 6, 5, 9, 4, 3],
    [9, 5, 4, 7, 3, 2, 1, 6, 8],
    [6, 1, 3, 8, 4, 9, 7, 5, 2],
    [8, 7, 9, 6, 5, 1, 2, 3, 4],
    [4, 2, 1, 3, 9, 8, 6, 7, 5],
    [3, 6, 5, 4, 2, 7, 8, 9, 1],
    [1, 9, 8, 5, 7, 3, 4, 2, 6],
    [5, 4, 2, 9, 1, 6, 3, 8, 7],
    [7, 3, 6, 2, 8, 4, 5, 1, 9]
    ])

ndarray的itemsize字段为我们提供了数组中的字节数。给定itemsize，请计算步幅：

strides = sudoku.itemsize * np.array([27, 3, 9, 1])

现在我们可以使用np.lib.stride_tricks模块的as_strided()函数将拼图分解成正方形：

squares = np.lib.stride_tricks.as_strided(sudoku, shape=shape, strides=strides)
print(squares)

该代码打印单独的数独正方形，如下所示：

[[[[2 8 7]
    [9 5 4]
    [6 1 3]]
  [[1 6 5]
    [7 3 2]
    [8 4 9]]
  [[9 4 3]
    [1 6 8]
    [7 5 2]]]
 [[[8 7 9]
    [4 2 1]
    [3 6 5]]
  [[6 5 1]
    [3 9 8]
    [4 2 7]]
  [[2 3 4]
    [6 7 5]
    [8 9 1]]]
 [[[1 9 8]
    [5 4 2]
    [7 3 6]]
  [[5 7 3]
    [9 1 6]
    [2 8 4]]
  [[4 2 6]
    [3 8 7]
    [5 1 9]]]]

以下是本书代码包中strides.py文件中此秘籍的完整源代码：

import numpy as np
sudoku = np.array([
   [2, 8, 7, 1, 6, 5, 9, 4, 3],
   [9, 5, 4, 7, 3, 2, 1, 6, 8],
   [6, 1, 3, 8, 4, 9, 7, 5, 2],
   [8, 7, 9, 6, 5, 1, 2, 3, 4],
   [4, 2, 1, 3, 9, 8, 6, 7, 5],
   [3, 6, 5, 4, 2, 7, 8, 9, 1],
   [1, 9, 8, 5, 7, 3, 4, 2, 6],
   [5, 4, 2, 9, 1, 6, 3, 8, 7],
   [7, 3, 6, 2, 8, 4, 5, 1, 9]
   ])
shape = (3, 3, 3, 3)
strides = sudoku.itemsize * np.array([27, 3, 9, 1])
squares = np.lib.stride_tricks.as_strided(sudoku, shape=shape, strides=strides)
print(squares)

工作原理

我们应用了跨步技巧，将数独谜题拆分为3 x 3的正方形。步幅告诉我们通过数独数组时每一步需要跳过的字节数。

另见

strides属性的文档在这里

广播数组

在不知道的情况下，您可能已经广播了数组。简而言之，即使操作数的形状不同，NumPy 也会尝试执行操作。在此秘籍中，我们将一个数组和一个标量相乘。标量被扩展为数组操作数的形状，然后执行乘法。我们将下载一个音频文件并制作一个更安静的新版本。

操作步骤

让我们从读取 WAV 文件开始：

我们将使用标准的 Python 代码下载 Austin Powers 的音频文件。 SciPy 具有 WAV 文件模块，可让您加载声音数据或生成 WAV 文件。如果已安装 SciPy，则我们应该已经有此模块。 read()函数返回data数组和采样率。在此示例中，我们仅关心数据：

sample_rate, data = scipy.io.wavfile.read(WAV_FILE)

使用 matplotlib 绘制原始 WAV 数据。将子图命名为Original：

plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)

现在，我们将使用 NumPy 制作更安静的音频样本。这只是通过与常量相乘来创建具有较小值的新数组的问题。这就是广播魔术发生的地方。最后，由于 WAV 格式，我们需要确保与原始数组具有相同的数据类型：

newdata = data * 0.2
newdata = newdata.astype(np.uint8)

可以将新数组写入新的 WAV 文件，如下所示：

scipy.io.wavfile.write("quiet.wav",
    sample_rate, newdata)

使用 matplotlib 绘制新数据数组：

plt.subplot(2, 1, 2)
plt.title("Quiet")
plt.plot(newdata)
plt.show()

结果是原始 WAV 文件数据和具有较小值的新数组的图，如以下屏幕快照所示：

这是本书代码包中broadcasting.py文件中该秘籍的完整代码：

import scipy.io.wavfile
import matplotlib.pyplot as plt
import urllib2
import numpy as np
# Download audio file
response = urllib2.urlopen('http://www.thesoundarchive.com/austinpowers/smashingbaby.wav')
print(response.info())
WAV_FILE = 'smashingbaby.wav'
filehandle = open(WAV_FILE, 'w')
filehandle.write(response.read())
filehandle.close()
sample_rate, data = scipy.io.wavfile.read(WAV_FILE)
print("Data type", data.dtype, "Shape", data.shape)
# Plot values original audio
plt.subplot(2, 1, 1)
plt.title("Original")
plt.plot(data)
# Create quieter audio
newdata = data * 0.2
newdata = newdata.astype(np.uint8)
print("Data type", newdata.dtype, "Shape", newdata.shape)
# Save quieter audio file
scipy.io.wavfile.write("quiet.wav",
    sample_rate, newdata)
# Plot values quieter file
plt.subplot(2, 1, 2)
plt.title("Quiet")
plt.plot(newdata)
plt.show()

另见

以下链接提供了更多背景信息：

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

NumPy 秘籍中文第二版：二、高级索引和数组概念

简介

注意

安装 SciPy

准备

操作步骤

工作原理

另见

安装 PIL

操作步骤

另见

调整图像大小

注意

准备

操作步骤

工作原理

另见

创建视图和副本

准备

操作步骤

工作原理

另见

翻转 Lena

操作步骤

另见

花式索引

操作步骤

工作原理

另见

位置列表索引

操作步骤

另见

布尔值索引

操作步骤

工作原理

另见

数独的步幅技巧

注意

操作步骤

工作原理

另见

广播数组

操作步骤

另见

热门文章

最新文章

相关课程

相关电子书

相关实验场景