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整数的 ndarray: 包含整数值的数组。
ignore_valueint，可选: 在搜索 arr 数组时，将忽略此值。如果未给定，则输出中将包含找到的所有值。默认为 None。

返回:

indices字典

一个 Python 字典，其中包含每个不同值的数组索引。字典的键是不同的值，条目是覆盖数组中该值所有出现的数组索引元组。

此字典可能会占用大量内存，通常是输入数组大小的数倍。

另请参阅

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

注释

对于具有少量不同值的小数组，可以使用 numpy.unique() 来查找所有可能的值，并使用 (arr == val) 来定位该数组中的每个值。然而，对于具有许多不同值的大型数组，这可能会变得非常低效，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，本质上只有一次搜索，并为所有不同的值保存索引。

当将分类图像（例如，分割或分类）与相关的其他数据图像匹配时，这非常有用，从而允许计算任何每类统计数据。它为诸如 scipy.ndimage.mean() 和 scipy.ndimage.variance() 之类的函数提供了更灵活的替代方案。

一些其他密切相关的功能，具有不同的优缺点，也可以在 scipy.stats.binned_statistic() 和 scikit-image 函数 skimage.measure.regionprops() 中找到。

IDL 用户注意：这提供了与 IDL 的 REVERSE_INDICES 选项等效的功能（根据 HISTOGRAM 函数的 IDL 文档）。

在 1.10.0 版本中添加。

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提供一个条目。

>>> 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]))

这可以用来索引到原始数组或任何其他具有相同形状的数组中。

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

如果要忽略零，则生成的字典将不再有零的条目。

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