Python数组优化-NumPy数组中大于某个值的所有元素
我有一个2D(二维) NumPy数组，并希望用255.0替换大于或等于阈值T的所有值。据我所知，最基础的方法是：
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
有更简洁和pythonic的方式来做到这一点吗？
有没有更快(可能不那么简洁和/或不那么pythonic)的方式来做到这一点？
这将成为人体头部MRI扫描窗口/等级调整子程序的一部分，2D numpy数组是图像像素数据。
一、最佳解决思路
我认为最快和最简洁的方法是使用Numpy的内置索引。如果您有名为arr的ndarray，则可以按如下所示将所有元素>255替换为值x：
arr[arr > 255] = x
我用500 x 500的随机矩阵在我的机器上运行了这个函数，用5替换了所有> 0.5的值，平均耗时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
二、次佳解决思路
因为实际上需要一个不同的数组，arr，其中arr < 255，可以简单地完成：
result = np.minimum(arr, 255)
更一般地，对于下限和/或上限：
result = np.clip(arr, 0, 255)
如果只是想访问超过255的值，np.clip和np.minimum(或者np.maximum)对你的情况更好更快。
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
如果要执行in-place(即修改arr而不是创建result)，则可以使用np.minimum的out参数：
np.minimum(arr, 255, out=arr)
或者
np.clip(arr, 0, 255, arr)
(out=名称是可选的，因为参数的顺序与函数的定义相同。)
对于in-place修改，布尔索引加速了很多(不必分别修改和拷贝)，但仍然不如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
比较来看，如果你想限制你的最大值和最小值，没有clip将不得不像下面这样做两次
np.minimum(a, 255, a)
np.maximum(a, 0, a)
要么，
a[a>255] = 255
a[a<0] = 0
三、第三种解决思路
可以通过使用where功能来达到最快的速度：
例如，在numpy数组中查找大于0.2的项目，并用0代替它们：
import numpy as np
nums = np.random.rand(4,3)
print np.where(nums > 0.2, 0, nums)
四、第四种思路
np.putmask(arr, arr>=T, 255.0)
下面是与Numpy内置索引的性能比较：
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