建设 公司 网站 请示,网站备案产品信息错误,如何做多语言网站,编写网站策划书原文#xff1a;NumPy Cookbook - Second Edition 协议#xff1a;CC BY-NC-SA 4.0 译者#xff1a;飞龙 在本章中#xff0c;我们将介绍以下秘籍#xff1a;
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… 原文NumPy Cookbook - Second Edition 协议CC BY-NC-SA 4.0 译者飞龙 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FFTODE 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 RedHatFedora 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 ToolsXCode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 SciPysudo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
PILPython 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 RedHatFedora 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 PILLOWPIL 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 SciPymatplotlib 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, axis0).repeat(xfactor, axis1)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()#Lenas 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, axis0).repeat(xfactor, axis1)#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 pltlena 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 - sizearr np.arange(size)np.random.shuffle(arr)return arrxindices 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, shapeshape, stridesstrides)
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 npsudoku 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, shapeshape, stridesstrides)
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
scipy.io.read()函数scipy.io.write()函数在这个链接中解释了广播概念。
