【发布时间】：2019-10-17 17:07:36
【问题描述】：
我有两个不同的数组处理问题，我想解决 AQAP（Q=quickly），以确保解决方案在我的过程中没有速率限制（使用 NEAT 训练视频游戏机器人）。在一种情况下，我想构建一个惩罚函数来制造更大的柱高，而在另一种情况下，我想奖励构建“具有共同价值的岛屿”。
操作从具有黑色/0 背景的 26 行 x 6 列 numpy 灰度值数组开始。
对于已经实现了一些 numpy 的每个问题，我都有可行的解决方案，但我想推动对两者都采用完全矢量化的方法。
import numpy as np,
from scipy.ndimage.measurements import label as sp_label
from math import ceil
这两个问题都是从这样的数组开始的：
img= np.array([[ 0., 0., 0., 12., 0., 0.],
[ 0., 0., 0., 14., 0., 0.],
[ 0., 0., 0., 14., 0., 0.],
[ 0., 0., 0., 14., 0., 0.],
[16., 0., 0., 14., 0., 0.],
[16., 0., 0., 12., 0., 0.],
[12., 0., 11., 0., 0., 0.],
[12., 0., 11., 0., 0., 0.],
[16., 0., 15., 0., 15., 0.],
[16., 0., 15., 0., 15., 0.],
[14., 0., 12., 0., 11., 0.],
[14., 0., 12., 0., 11., 0.],
[14., 15., 11., 0., 11., 0.],
[14., 15., 11., 0., 11., 0.],
[13., 16., 12., 0., 13., 0.],
[13., 16., 12., 0., 13., 0.],
[13., 14., 16., 0., 16., 0.],
[13., 14., 16., 0., 16., 0.],
[16., 14., 15., 0., 14., 0.],
[16., 14., 15., 0., 14., 0.],
[14., 16., 14., 0., 11., 0.],
[14., 16., 14., 0., 11., 0.],
[11., 13., 14., 16., 12., 13.],
[11., 13., 14., 16., 12., 13.],
[12., 12., 15., 14., 15., 11.],
[12., 12., 15., 14., 15., 11.]])
目前正在解决第一个（列高）问题：
# define valid connection directions for sp_label
c_valid_conns = np.array((0,1,0,0,1,0,0,1,0,), dtype=np.int).reshape((3,3))
# run the island labeling function sp_label
# c_ncomponents is a simple count of the conected columns in labeled
columns, c_ncomponents = sp_label(img, c_valid_conns)
# calculate out the column lengths
col_lengths = np.array([(columns[columns == n]/n).sum() for n in range(1, c_ncomponents+1)])
col_lengths
给我这个数组：[ 6. 22. 20. 18. 14. 4. 4.]
（如果代码始终忽略不“包含”数组底部的标记区域（行索引 25/-1））
第二个问题涉及屏蔽每个唯一值并计算每个屏蔽数组中的连续体，以获得连续体的大小：
# initial values to start the ball rolling
values = [11, 12, 13, 14, 15, 16]
isle_avgs_i = [1.25, 2, 0, 1,5, 2.25, 1]
# apply filter masks to img to isolate each value
# Could these masks be pushed out into a third array dimension instead?
masks = [(img == g) for g in np.unique(values)]
# define the valid connectivities (8-way) for the sp_label function
m_valid_conns = np.ones((3,3), dtype=np.int)
# initialize islanding lists
# I'd love to do away with these when I no longer need the .append() method)
mask_isle_avgs, isle_avgs = [],[]
# for each mask in the image:
for i, mask in enumerate(masks):
# run the island labeling function sp_label
# m_labeled is the array containing the sequentially labeled islands
# m_ncomponents is a simple count of the islands in m_labeled
m_labeled, m_ncomponents = sp_label(mask, m_valid_conns)
# collect the average (island size-1)s (halving to account for...
# ... y resolution) for each island into mask_isle_avgs list
# I'd like to vectorize this step
mask_isle_avgs.append((sum([ceil((m_labeled[m_labeled == n]/n).sum()/2)-1
for n in range(1, m_ncomponents+1)]))/(m_ncomponents+1))
# add up the mask isle averages for all the islands...
# ... and collect into isle_avgs list
# I'd like to vectorize this step
isle_avgs.append(sum(mask_isle_avgs))
# initialize a difference list for the isle averages (I also want to do away with this step)
d_avgs = []
# evaluate whether isle_avgs is greater for the current frame or the...
# ... previous frame (isle_avgs_i) and append either the current...
# ... element or 0, depending on whether the delta is non-negative
# I want this command vectorized
[d_avgs.append(isle_avgs[j])
if (isle_avgs[j]-isle_avgs_i[j])>=0
else d_avgs.append(0) for j in range(len(isle_avgs))]
d_avgs
给我这个 d_avgs 数组：[0, 0, 0.46785714285714286, 1.8678571428571429, 0, 0]
（如果代码始终忽略不“包含”数组底部的标记区域（行索引 25/-1），则再次提供此数组：
[0, 0, 0.43452380952380953, 1.6345238095238095, 0, 0])
我希望删除所有列表操作和理解，并将它们移动到完全矢量化的 numpy/scipy 实现中，并获得相同的结果。
我们将不胜感激任何删除这些步骤的帮助。
【问题讨论】：
-
我的一位同事为第一个问题提供了一个非常优雅的解决方案，包括奖励条件：
col_lengths = np.isin(columns, columns[-1]).sum(axis = 0)岛屿条件被证明更棘手，但一些二元形态问题可能对我有所帮助。 -
更正：这就是我上面所说的（如果在底行，则不允许零触发列求和：
col_hts = np.isin(columns, columns[-1][np.nonzero(columns[-1])]).sum(axis = 0)
标签： python numpy scipy vectorization numpy-ndarray