Reemplace todos los elementos de Python NumPy Array que sean mayores que algún valor

Tengo una matriz 2D NumPy y me gustaría reemplazar todos los valores en ella mayores o iguales a un umbral T con 255.0. Que yo sepa, la forma más fundamental sería:

shape = arr.shape
result = np.zeros(shape)
for x in range(0, shape[0]):
    for y in range(0, shape[1]):
        if arr[x, y] >= T:
            result[x, y] = 255

1. ¿Cuál es la forma más concisa y pitónica de hacer esto?

2. ¿Hay una manera más rápida (posiblemente menos concisa y / o menos pitónica) de hacer esto?

Esto formará parte de una subrutina de ajuste de ventana / nivel para imágenes de resonancia magnética de la cabeza humana. La matriz numpy 2D son los datos de píxeles de la imagen.

Creo que la forma más rápida y concisa de hacer esto es usar la indexación Fancy incorporada de NumPy. Si tiene un ndarraynombre arr, puede reemplazar todos los elementos >255con un valor de la xsiguiente manera:

arr[arr > 255] = x

Ejecuté esto en mi máquina con una matriz aleatoria de 500 x 500, reemplazando todos los valores> 0.5 con 5, y tomó un promedio de 7.59ms.

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)
In [3]: timeit A[A > 0.5] = 5
100 loops, best of 3: 7.59 ms per loop

Dado que realmente desea una matriz diferente que es arrdonde arr < 255, y de lo 255contrario, esto puede hacerse simplemente:

result = np.minimum(arr, 255)

Más generalmente, para un límite inferior y / o superior:

result = np.clip(arr, 0, 255)

Si solo desea acceder a los valores superiores a 255, o algo más complicado, la respuesta de @ mtitan8 es más general, pero np.clipy np.minimum(o np.maximum) son más agradables y más rápidos para su caso:

In [292]: timeit np.minimum(a, 255)
100000 loops, best of 3: 19.6 µs per loop

In [293]: %%timeit
   .....: c = np.copy(a)
   .....: c[a>255] = 255
   .....: 
10000 loops, best of 3: 86.6 µs per loop

Si desea hacerlo en el lugar (es decir, modificar en arrlugar de crear result) puede usar el outparámetro de np.minimum:

np.minimum(arr, 255, out=arr)

o

np.clip(arr, 0, 255, arr)

(el out=nombre es opcional ya que los argumentos están en el mismo orden que la definición de la función).

Para la modificación en el lugar, la indexación booleana se acelera mucho (sin tener que hacer y luego modificar la copia por separado), pero aún no es tan rápido como minimum:

In [328]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: np.minimum(a, 255, a)
   .....: 
100000 loops, best of 3: 303 µs per loop

In [329]: %%timeit
   .....: a = np.random.randint(0, 300, (100,100))
   .....: a[a>255] = 255
   .....: 
100000 loops, best of 3: 356 µs per loop

A modo de comparación, si quisiera restringir sus valores con un mínimo y un máximo, sin cliptener que hacer esto dos veces, con algo como

np.minimum(a, 255, a)
np.maximum(a, 0, a)

o,

a[a>255] = 255
a[a<0] = 0

Creo que puedes lograr esto más rápido usando la wherefunción:

Por ejemplo, buscar elementos mayores que 0.2 en una matriz numpy y reemplazar aquellos con 0:

import numpy as np

nums = np.random.rand(4,3)

print np.where(nums > 0.2, 0, nums)

Puede considerar usar numpy.putmask :

np.putmask(arr, arr>=T, 255.0)

Aquí hay una comparación de rendimiento con la indexación integrada de Numpy:

In [1]: import numpy as np
In [2]: A = np.random.rand(500, 500)

In [3]: timeit np.putmask(A, A>0.5, 5)
1000 loops, best of 3: 1.34 ms per loop

In [4]: timeit A[A > 0.5] = 5
1000 loops, best of 3: 1.82 ms per loop

Otra forma es usar el np.placeque reemplaza en el lugar y funciona con matrices multidimensionales:

import numpy as np

# create 2x3 array with numbers 0..5
arr = np.arange(6).reshape(2, 3)

# replace 0 with -10
np.place(arr, arr == 0, -10)

También puede usar &, |(y / o) para obtener más flexibilidad:

valores entre 5 y 10: A[(A>5)&(A<10)]

valores mayores que 10 o menores que 5: A[(A<5)|(A>10)]