我正在尝试将图像处理为屏蔽数组来处理NoData区域。我决定先在一维数组上做一些测试,然后看到一些奇怪的东西。这是我的测试代码:
a = np.array([0,1,4,3,4,-9999,33,34,-9999])
am = np.ma.MaskedArray(a)
am.mask = (am==-9999)
z = np.arange(35)
z[am]
我希望使用屏蔽数组索引 z 数组会成功,但我看到以下错误:
Runtime error
Traceback (most recent call last):
File "<string>", line 1, in <module>
IndexError: index -9999 is out of bounds for size 35
任何人都可以评论如何正确编码吗?我可以成功运行以下命令:
z[a[a>0]]
这实际上是一回事。
谢谢!
使用标记数组进行索引通常是一个坏主意,正是因为应该在屏蔽值处发生的行为是未定义的。
可以这样想:当我查看您的阵列a
和阵列z
时,我可以说"好的,a[0] = 0
这样z[a[0]]
有意义。依此类推,直到我遇到a[5] = -9999
,我可以说,"好吧,这作为z
的索引没有意义",并且可以提出异常。
事实上,当您天真地将am
用作索引集时会发生什么......它恢复为使用包含所有原始值的am.data
。相反,如果它尝试使用类似[z[i] for i in am]
的东西,您将遇到遇到numpy.ma.core.MaskedConstant
的问题,这对于索引来说不是一个明智的值 - 不是用于获取值或忽略获取值的请求。
In [39]: l = [x for x in am]
In [40]: l
Out[40]: [0, 1, 4, 3, 4, masked, 33, 34, masked]
In [41]: type(l[-1])
Out[41]: numpy.ma.core.MaskedConstant
(事实上,如果你试图索引这些人之一,你会得到IndexError: arrays used as indices must be of integer (or boolean) type
(。
但是现在如果我在am.filled()
中遇到屏蔽值会发生什么?am.filled()
第 5 个索引处的条目不会是numpy.ma.core.MaskedConstant
的实例 - 它将是您选择的任何填充值。如果该填充值作为索引有意义,那么您实际上将通过在该索引处编制索引来获取值。以 0 为例。它似乎是一个无害的中性填充值,但实际上它代表一个有效的索引,因此您可以额外访问z
的第 0 个条目:
In [42]: am.fill_value = 0
In [43]: z[am.filled()]
Out[43]: array([ 0, 1, 4, 3, 4, 0, 33, 34, 0])
这也不是面具应该做的!
一种半生不熟的方法是遍历am
并排除任何具有type
np.ma.core.MaskedConstant
:
In [45]: z[np.array([x for x in am if type(x) is not np.ma.core.MaskedConstant])]
Out[45]: array([ 0, 1, 4, 3, 4, 33, 34])
但实际上,所有这些的更清晰表达是首先使用简单的逻辑索引:
In [47]: z[a[a != -9999]]
Out[47]: array([ 0, 1, 4, 3, 4, 33, 34])
请注意,像这样的逻辑索引对于 2D 数组来说效果很好,只要你愿意接受这样一个事实:一旦对更高维的数组进行逻辑索引,如果结果不再符合相同的常规 2D 形状,那么它将以 1D 形式呈现,如下所示:
In [58]: a2 = np.array([[10, -9999, 13], [-9999, 1, 8], [1, 8, 1]])
In [59]: a2
Out[59]:
array([[ 10, -9999, 13],
[-9999, 1, 8],
[ 1, 8, 1]])
In [60]: z2 = np.random.rand(3,3)
In [61]: z2[np.where(a2 != -9999)]
Out[61]:
array([ 0.4739082 , 0.13629442, 0.46547732, 0.87674102, 0.08753297,
0.57109764, 0.39722408])
相反,如果您想要类似于掩码效果的东西,您可以只设置等于 NaN
的值(对于float
数组(:
In [66]: a2 = np.array([[10, -9999, 13], [-9999, 1, 8], [1, 8, 1]], dtype=np.float)
In [67]: a2
Out[67]:
array([[ 1.00000000e+01, -9.99900000e+03, 1.30000000e+01],
[ -9.99900000e+03, 1.00000000e+00, 8.00000000e+00],
[ 1.00000000e+00, 8.00000000e+00, 1.00000000e+00]])
In [68]: a2[np.where(a2 == -9999)] = np.NaN
In [69]: a2
Out[69]:
array([[ 10., nan, 13.],
[ nan, 1., 8.],
[ 1., 8., 1.]])
这种使用 NaN
进行掩码的形式适用于 NumPy 中的大量矢量化数组计算,尽管担心首先将基于整数的图像数据转换为浮点数,并在最后安全地转换回来可能会很痛苦。
试试这段代码
a = np.array([0,1,4,3,4,-9999,33,34,-9999])
am = np.ma.MaskedArray(a)
am.mask = (am==-9999)
np.ma.set_fill_value(am, 0)
z = np.arange(35)
print z[am.filled()]
访问 am
会给出屏蔽数组,其中屏蔽值引用原始值(它只是对原始数组的引用(。在设置fill_value后调用am.filled()
会将屏蔽的元素替换为 am.filled
返回的数组中的fill_value