Как получить доступ к диапазону индексов массива, где совпадают определенные условия

У меня есть массив для примера:

import NumPy as np
a=np.array( [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
              [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
              [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
              [0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0],
              [0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0],
              [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
              [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
              [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

# it will give the transition of an array where the element value changes 1 to 0
x= np.gradient(a, axis=0)
y= np.gradient(a, axis=1)
trans_YX = np.array(list(zip(x.ravel(), y.ravel())), dtype=('f4,f4')).reshape(y.shape)
print(trans_YX)
# by np.argwhere() 0r np. nonzero() function, able to access the indices like row and column 
value

indices=np.argwhere(trans_YX)
print(indices)

текущий вывод:

[[1 2]
 [1 3]
 [1 4]
 [2 1]
 [2 2]
 [2 3]
 [2 4]
 [2 5]
 [2 7]
 [2 8]
 [3 1]
 [3 2]
 [3 4]
 [3 5]
 [3 6]
 [3 7]
 [3 8]
 [3 9]
 [4 1]
 [4 2]
 [4 4]
 [4 5]
 [4 6]
 [4 7]
 [4 8]
 [4 9]
 [5 1]
 [5 2]
 [5 3]
 [5 4]
 [5 5]
 [5 7]
 [5 8]
 [6 2]
 [6 3]
 [6 4]]

ожидаемый результат:

Текущий код находит соответствующие значения строк и столбцов переходов значений элементов. от 0 до 1 и от 1 до нуля.

Предполагается, что код получает доступ к значениям столбцов и строк вокруг квадратов (например, индексы красного цвета, выделенные на прикрепленном изображении), это большой массив, и эти типы различных квадратных размеров распределены по всему массиву.

Можно ли получить доступ к этим переходам, используя, например. scikit-learn специальные функции?

Почему в Python есть оператор "pass"?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
0
55
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Вот как вы можете захватить квадраты единиц и их границы:

In [16]: a
Out[16]: 
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 1, 1, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]])

In [17]: s2 = nd.generate_binary_structure(2,2)

In [18]: lab, nlab = nd.label(a, s2)

In [19]: lab
Out[19]: 
array([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 2, 2, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 2, 2, 0, 0],
       [0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]], dtype=int32)

In [20]: for i in range(1, nlab+1):
    ...:     region_i = lab==i
    ...:     expanded = nd.binary_dilation(region_i, iterations=1, structure=s2)
    ...:     border = np.logical_xor(region_i, expanded)
    ...: 
    ...:     print(border)
    ...:     print("")
    ...: 
[[False False False False False False False False False False False]
 [False  True  True  True  True  True False False False False False]
 [False  True False False False  True False False False False False]
 [False  True False False False  True False False False False False]
 [False  True False False False  True False False False False False]
 [False  True False False False  True False False False False False]
 [False  True  True  True  True  True False False False False False]
 [False False False False False False False False False False False]]

[[False False False False False False False False False False False]
 [False False False False False False False False False False False]
 [False False False False False False  True  True  True  True False]
 [False False False False False False  True False False  True False]
 [False False False False False False  True False False  True False]
 [False False False False False False  True  True  True  True False]
 [False False False False False False False False False False False]
 [False False False False False False False False False False False]]

Затем вы можете использовать np.where, чтобы найти индексы строки, столбца границы:

In [21]: y,x = np.where(border)

In [22]: y
Out[22]: array([2, 2, 3, 3, 4, 4, 5, 5])

In [23]: x
Out[23]: array([7, 8, 6, 9, 6, 9, 7, 8])

Другие вопросы по теме