scipy.ndimage.

value_indices#

scipy.ndimage.value_indices(arr, *, ignore_value=None)[源代码]#

查找给定数组中每个不同值的索引。

参数:
arr整数ndarray

包含整数值的数组。

ignore_value整数，可选

在搜索 arr 数组时将忽略此值。如果未给出，则所有找到的值都将包含在输出中。默认为 None。

返回:
indices字典

一个 Python 字典，包含每个不同值的数组索引。字典以不同的值为键，条目是覆盖数组中所有值出现位置的数组索引元组。

此字典可能占用大量内存，通常是输入数组大小的数倍。

另请参见

label, maximum, median, minimum_position, extrema, sum, mean, variance
standard_deviation, numpy.where, numpy.unique

备注

对于具有少量不同值的小数组，可以使用 numpy.unique() 查找所有可能的值，并使用 (arr == val) 定位数组中的每个值。然而，对于具有许多不同值的大数组，这会变得非常低效，因为定位每个值都需要对整个数组进行新的搜索。使用此函数，基本上只有一次搜索，所有不同值的索引都会被保存。

这在将分类图像（例如分割或分类）与相关联的其他数据图像进行匹配时非常有用，从而可以计算任何每类别统计量。它提供了 scipy.ndimage.mean() 和 scipy.ndimage.variance() 等函数的更灵活替代方案。

其他一些密切相关但具有不同优缺点的功能，也可以在 scipy.stats.binned_statistic() 和 scikit-image 函数 skimage.measure.regionprops() 中找到。

IDL 用户请注意：此功能等同于 IDL 的 REVERSE_INDICES 选项（根据 IDL HISTOGRAM 函数的文档）。

在版本 1.10.0 中添加。

示例

>>> import numpy as np
>>> from scipy import ndimage
>>> a = np.zeros((6, 6), dtype=int)
>>> a[2:4, 2:4] = 1
>>> a[4, 4] = 1
>>> a[:2, :3] = 2
>>> a[0, 5] = 3
>>> a
array([[2, 2, 2, 0, 0, 3],
       [2, 2, 2, 0, 0, 0],
       [0, 0, 1, 1, 0, 0],
       [0, 0, 1, 1, 0, 0],
       [0, 0, 0, 0, 1, 0],
       [0, 0, 0, 0, 0, 0]])
>>> val_indices = ndimage.value_indices(a)

字典 val_indices 将为输入数组中的每个不同值创建一个条目。

>>> val_indices.keys()
dict_keys([np.int64(0), np.int64(1), np.int64(2), np.int64(3)])

每个值的条目是一个索引元组，用于定位具有该值的元素。

>>> ndx1 = val_indices[1]
>>> ndx1
(array([2, 2, 3, 3, 4]), array([2, 3, 2, 3, 4]))

这可用于索引原始数组，或任何具有相同形状的其他数组。

>>> a[ndx1]
array([1, 1, 1, 1, 1])

如果忽略零，则结果字典将不再包含零的条目。

>>> val_indices = ndimage.value_indices(a, ignore_value=0)
>>> val_indices.keys()
dict_keys([np.int64(1), np.int64(2), np.int64(3)])
在此页面上