python中grid_python – 基于单元格区域的Regrid numpy数组

import numpy as np

from skimage.measure import block_reduce

arr = np.random.random((6, 6))

area_cell = np.random.random((6, 6))

block_reduce(arr, block_size=(2, 2), func=np.ma.mean)

我想重新调整一个从6 x 6大小到3 x 3的numpy数组arr.使用skimage函数block_reduce.

但是,block_reduce假设每个网格单元具有相同的大小.当每个网格单元具有不同的大小时,如何解决此问题？在这种情况下,每个网格单元的大小由numpy数组area_cell给出

– 编辑：

一个例子：

ARR

0.25 0.58 0.69 0.74

0.49 0.11 0.10 0.41

0.43 0.76 0.65 0.79

0.72 0.97 0.92 0.09

如果area_cell的所有元素都是1,我们将4 x 4 arr转换为2 x 2,结果将是：

0.36 0.48

0.72 0.61

但是,如果area_cell如下：

0.00 1.00 1.00 0.00

0.00 1.00 0.00 0.50

0.20 1.00 0.80 0.80

0.00 0.00 1.00 1.00

然后,结果变为：

0.17 0.22

0.21 0.54

最佳答案 看起来你仍在减少块数,但在使用area_cell缩放之后.所以,你只需要在这两个数组之间执行逐元素乘法,并在该产品数组上使用相同的block_reduce代码,就像这样 –

block_reduce(arr*area_cell, block_size=(2, 2), func=np.ma.mean)

或者,我们可以在重新塑造到产品阵列的4D版本之后简单地使用np.mean,就像这样 –

m,n = arr.shape

out = (arr*area_cell).reshape(m//2,2,n//2,2).mean(axis=(1,3))

样品运行 –

In [21]: arr

Out[21]:

array([[ 0.25, 0.58, 0.69, 0.74],

[ 0.49, 0.11, 0.1 , 0.41],

[ 0.43, 0.76, 0.65, 0.79],

[ 0.72, 0.97, 0.92, 0.09]])

In [22]: area_cell

Out[22]:

array([[ 0. , 1. , 1. , 0. ],

[ 0. , 1. , 0. , 0.5],

[ 0.2, 1. , 0.8, 0.8],

[ 0. , 0. , 1. , 1. ]])

In [23]: block_reduce(arr*area_cell, block_size=(2, 2), func=np.ma.mean)

Out[23]:

array([[ 0.1725 , 0.22375],

[ 0.2115 , 0.5405 ]])

In [24]: m,n = arr.shape

In [25]: (arr*area_cell).reshape(m//2,2,n//2,2).mean(axis=(1,3))

Out[25]:

array([[ 0.1725 , 0.22375],

[ 0.2115 , 0.5405 ]])