在相对较大的 NumPy 数组中迭代替换值的更快方法

Question

我有一个相对较大的 NumPy 数组 (1212,1612)，其中包含对应于 RGB 图像的唯一段的 OBJECTID 值。此外，我有一个 107305 行的不同 Pandas 数据框，其中包含所有 OBJECTID 值及其对应的植被类型类，这些类是由随机森林分类产生的。我想（迭代地）用与该特定 OBJECTID 值对应的植被类型类替换 NumPy 数组中的 OBJECTID 值。

NumPy 数组（'array'）如下所示：

[1,1,1,1,2,2,2,2,3,3,...
 1,1,1,1,1,2,2,2,3,3,...
 1,1,2,4,4,4,2,2,3,3,...] # values 1-4 correspond to OBJECTID

pandas 数据框（'vegdata'）的样子：

VEG_TYPE    OBJECTID
Shrub (S)   1
Grass (G)   2
Moss  (M)   3
Grass (G)   4
...   ...   ...

我希望数据最终的样子如下：

[S,S,S,S,G,G,G,G,M,M,...
 S,S,S,S,S,G,G,G,M,M,...
 S,S,G,G,G,G,G,G,M,M,...]

我目前正在做的是：

for row in vegdata.itertuples():
    np.where(array[[array == row.OBJECTID]], row.VEG_TYPE,
             array[[array == row.OBJECTID]])

这个代码 sn-p 工作，但它非常慢，在 vegdata 数据帧中每 1000 行大约需要 30 秒，而我有 107305 行，在某些图像中大约是 10 倍。我正在调查是否有另一种方法来执行这种分析，但与此同时我还没有找到合适的方法，所以我想知道是否有人可能知道如何以更快的方式进行这种分析.

我是 StackOverflow 的新手，所以我尝试通过提供一些代码 sn-ps 使我的答案尽可能清晰，但如果有任何不清楚的地方，请告诉我。提前非常感谢！

Answer 1

给你：

import numpy as np
import pandas as pd

VEG_TYPE = ['Shrub (S)','Grass (G)','Moss  (M)','Grass (G)']
OBJECTID = [1 ,2 ,3 ,4]

mapping= {k:v for k,v in zip(OBJECTID, VEG_TYPE)}

input_array = np.random.randint(1,5, (10,10))

out = np.empty(input_array.shape, dtype=np.dtype('U100'))
for key,val in mapping.items():
    out[input_array==key] = val