scipy.ndimage.

labeled_comprehension

scipy.ndimage.labeled_comprehension(input, labels, index, func, out_dtype, default, pass_positions=False)

大致相当于 [func(input[labels == i]) for i in index]。

按顺序将任意函数（适用于类似数组的输入）应用于由 labels 和 index 指定的 N-D 图像数组的子集。可以选择将位置参数作为第二个参数提供给函数。

参数:

输入array_like

从中选择 标签 进行处理的数据。

标签类数组或无

input 中对象的标签。如果不是 None，数组必须与 input 形状相同。如果是 None，func 应用于展平的 input。

索引int, int序列或None

要应用 func 的 labels 子集。如果是标量，则返回单个值。如果为 None，则 func 应用于 labels 中所有非零值。

函数可调用

应用于 input 中 labels 的 Python 函数。

out_dtypedtype

用于 result 的数据类型。

默认int, float 或 None

当 index 中的元素在 labels 中不存在时的默认返回值。

传递位置bool, 可选

如果为 True，将线性索引作为第二个参数传递给 func。默认为 False。

返回:

结果ndarray

在 index 中将 func 应用于 labels 到 input 的结果。

示例

Try it in your browser!

>>> import numpy as np
>>> a = np.array([[1, 2, 0, 0],
...               [5, 3, 0, 4],
...               [0, 0, 0, 7],
...               [9, 3, 0, 0]])
>>> from scipy import ndimage
>>> lbl, nlbl = ndimage.label(a)
>>> lbls = np.arange(1, nlbl+1)
>>> ndimage.labeled_comprehension(a, lbl, lbls, np.mean, float, 0)
array([ 2.75,  5.5 ,  6.  ])

回退到 default:

>>> lbls = np.arange(1, nlbl+2)
>>> ndimage.labeled_comprehension(a, lbl, lbls, np.mean, float, -1)
array([ 2.75,  5.5 ,  6.  , -1.  ])

传递位置：

>>> def fn(val, pos):
...     print("fn says: %s : %s" % (val, pos))
...     return (val.sum()) if (pos.sum() % 2 == 0) else (-val.sum())
...
>>> ndimage.labeled_comprehension(a, lbl, lbls, fn, float, 0, True)
fn says: [1 2 5 3] : [0 1 4 5]
fn says: [4 7] : [ 7 11]
fn says: [9 3] : [12 13]
array([ 11.,  11., -12.,   0.])

Go BackOpen In Tab