我有一个2D(二维) NumPy数组，并希望用255.0替换大于或等于阈值T的所有值。据我所知，最基础的方法是：
shape = arr.shape
result = np.zeros(shape)
for x in range(0, shape[0]):
for y in range(0, shape[1]):
if arr[x, y] >= T:
result[x, y] = 255
-
有更简洁和pythonic的方式来做到这一点吗？
-
有没有更快(可能不那么简洁和/或不那么pythonic)的方式来做到这一点？
这将成为人体头部MRI扫描窗口/等级调整子程序的一部分，2D numpy数组是图像像素数据。
最佳解决思路
我认为最快和最简洁的方法是使用Numpy的内置索引。如果您有名为arr的ndarray，则可以按如下所示将所有元素>255替换为值x：
arr[arr > 255] = x
我用500 x 500的随机矩阵在我的机器上运行了这个函数，用5替换了所有> 0.5的值，平均耗时7.59ms。
In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)
In [3]: timeit A[A > 0.5] = 5
100 loops, best of 3: 7.59 ms per loop
次佳解决思路
因为实际上需要一个不同的数组，arr，其中arr < 255，可以简单地完成：
result = np.minimum(arr, 255)
更一般地，对于下限和/或上限：
result = np.clip(arr, 0, 255)
如果只是想访问超过255的值，np.clip和np.minimum(或者np.maximum)对你的情况更好更快。
In [292]: timeit np.minimum(a, 255)
100000 loops, best of 3: 19.6 µs per loop
In [293]: %%timeit
.....: c = np.copy(a)
.....: c[a>255] = 255
.....:
10000 loops, best of 3: 86.6 µs per loop
如果要执行in-place(即修改arr而不是创建result)，则可以使用np.minimum的out参数：
np.minimum(arr, 255, out=arr)
np.clip(arr, 0, 255, arr)
(out=名称是可选的，因为参数的顺序与函数的定义相同。)
对于in-place修改，布尔索引加速了很多(不必分别修改和拷贝)，但仍然不如minimum：
In [328]: %%timeit
.....: a = np.random.randint(0, 300, (100,100))
.....: np.minimum(a, 255, a)
.....:
100000 loops, best of 3: 303 µs per loop
In [329]: %%timeit
.....: a = np.random.randint(0, 300, (100,100))
.....: a[a>255] = 255
.....:
100000 loops, best of 3: 356 µs per loop
比较来看，如果你想限制你的最大值和最小值，没有clip将不得不像下面这样做两次
np.minimum(a, 255, a)
np.maximum(a, 0, a)
a[a>255] = 255
a[a<0] = 0
第三种解决思路
可以通过使用where功能来达到最快的速度：
例如，在numpy数组中查找大于0.2的项目，并用0代替它们：
import numpy as np
nums = np.random.rand(4,3)
print np.where(nums > 0.2, 0, nums)
第四种思路
可以考虑使用numpy.putmask：
np.putmask(arr, arr>=T, 255.0)
下面是与Numpy内置索引的性能比较：
In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)
In [3]: timeit np.putmask(A, A>0.5, 5)
1000 loops, best of 3: 1.34 ms per loop
In [4]: timeit A[A > 0.5] = 5
1000 loops, best of 3: 1.82 ms per loop
转自https://vimsky.com/article/3727.html?_sm_nck=1
我有一个2D(二维) NumPy数组，并希望用255.0替换大于或等于阈值T的所有值。据我所知，最基础的方法是：shape = arr.shaperesult = np.zeros(shape)for x in range(0, shape[0]): for y in range(0, shape[1]): if arr[x, y] &gt;= T: ...
1.1 Numpy的介绍
Numpy（Numerical Python）是一个开源的Python科学计算库，用于快速处理任意维度的数组。
Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。
Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。
1.2 ndarray介绍
Numpy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。
import numpy as n.
import numpy as np
a = np.random.randint(-5, 5, (1, 10))
c=np.sum(a>=1) #条件为大于等于1
print ("随机数组a : "+str(a)) #输出数组a
print ("大于等于1的个数: "+str(c)) #输出满足条件的个数
随机数组a : [[-1 2 4 1 -1 -5 -5 2 2 4]]
大于等于1的个数: 6
np.sort()函数的作用，从小到大排序。（这里我也需要注意axis）
不写的话他的默认值为1.
使用x == np.max(x) 获得一个掩模矩阵，然后使用where方法即可返回最大值对应位置。
编程PCA算法的时候
x=np.array([[-1,-1,0,2,0],
[-2,0,0,1,1]])
yuan=x
x=0.2*np.dot(x,x.T)
e,v=np.linalg.eig(x)
print(v)
re=np.where(e==np.max(e))
v=v.T[r
最近需要从热力图中找出关键点的坐标，也就是极大值的行和列。搜寻了网上的一些方法，在这里总结一下。使用numpy进行多维数组中最大值的行和列搜寻非常的灵活，有以下几种方法可供参考。
二维数组
方法一：np.max()函数 + np.where()函数
如下图所示，x是一个 3×3 的二维np.array，首先使用np.max(x)求出x中的最大值，然后使用np.where函数找出数组x中最大值所在的位置。当然这只是np.where的其中一种用法，np.where是一个非常方便的函数，用法还有很多，具体可
t_index = np.where(arr>2)
print(t_index)
#(array([0, 1, 1], dtype=int64), array([2, 1, 2], dtype=int64))
#表示坐标为（0，2）（1，1）（1，2）...
NumPy数组创建：
np.empty(shape, dtype = float, order = 'C') #shape形状， dtype类型， order存储元素的顺序(一般不用指定这一项)。
np.zeros(shape, dtype = float, order = 'C')
np.ones(shape, dtype = float, order = 'C')
DEPRECATION: Python 2.7 will reach the end of its life on January 1st, 2020. Please upgrade
57476
解决E:Could not get lock /var/lib/apt/lists/lock - open (11: Resource temporarily unavailable)
35765
