我们来为python的numpy做一个N维像素分箱/分桶的参考实现

我经常想要像素仓/像素桶 https://en.wikipedia.org/wiki/Data_binning一个 numpy 数组，意思是，替换组N具有单个像素的连续像素，它是各个像素的总和N替换的像素。例如，从以下值开始：

x = np.array([1, 3, 7, 3, 2, 9])

当桶大小为 2 时，这会转换为：

bucket(x, bucket_size=2) 
= [1+3, 7+3, 2+9]
= [4, 10, 11]

据我所知，没有 numpy 函数专门执行此操作（如果我错了，请纠正我！），所以我经常推出自己的函数。对于一维 numpy 数组，这还不错：

import numpy as np

def bucket(x, bucket_size):
    return x.reshape(x.size // bucket_size, bucket_size).sum(axis=1)

bucket_me = np.array([3, 4, 5, 5, 1, 3, 2, 3])
print(bucket(bucket_me, bucket_size=2)) #[ 7 10  4  5]

...然而，我很容易对多维情况感到困惑，最终我一遍又一遍地用自己的有缺陷的、半途而废的解决方案来解决这个“简单”的问题。如果我们能够建立一个很好的 N 维参考实现，我会很高兴。

• 最好，函数调用允许沿不同轴使用不同的 bin 大小（可能类似于bucket(x, bucket_size=(2, 2, 3)))

• 最好的解决方案是相当有效的（在 numpy 中重塑和求和相当快）

• 当数组不能很好地划分为整数个桶时，处理边缘效应的奖励点。

• 允许用户选择初始箱边缘偏移的奖励积分。

正如 Divakar 所建议的，这是我在示例 2-D 案例中期望的行为：

x = np.array([[1, 2, 3, 4],
              [2, 3, 7, 9],
              [8, 9, 1, 0],
              [0, 0, 3, 4]])

bucket(x, bucket_size=(2, 2))
= [[1 + 2 + 2 + 3, 3 + 4 + 7 + 9],
   [8 + 9 + 0 + 0, 1 + 0 + 3 + 4]]
= [[8, 23],
   [17, 8]]

...希望我的算术正确;)

我认为你可以用 skimage 完成大部分繁琐的工作view_as_blocks http://scikit-image.org/docs/dev/api/skimage.util.html#skimage.util.view_as_blocks。这个函数是实施使用as_strided https://github.com/scikit-image/scikit-image/blob/master/skimage/util/shape.py#l10所以它非常有效（它只是改变步幅信息来重塑数组）。因为它是用 Python/NumPy 编写的，所以如果您没有安装 skimage，您可以随时复制代码。

应用该函数后，您只需对重构数组的 N 个尾轴求和（其中 N 是数组的长度）bucket_size元组）。这是一个新的bucket()功能：

from skimage.util import view_as_blocks

def bucket(x, bucket_size):
    blocks = view_as_blocks(x, bucket_size)
    tup = tuple(range(-len(bucket_size), 0))
    return blocks.sum(axis=tup)

那么例如：

>>> x = np.array([1, 3, 7, 3, 2, 9])
>>> bucket(x, bucket_size=(2,))
array([ 4, 10, 11])

>>> x = np.array([[1, 2, 3, 4],
                  [2, 3, 7, 9],
                  [8, 9, 1, 0],
                  [0, 0, 3, 4]])

>>> bucket(x, bucket_size=(2, 2))
array([[ 8, 23],
       [17,  8]])

>>> y = np.arange(6*6*6).reshape(6,6,6)
>>> bucket(y, bucket_size=(2, 2, 3))
array([[[ 264,  300],
        [ 408,  444],
        [ 552,  588]],

       [[1128, 1164],
        [1272, 1308],
        [1416, 1452]],

       [[1992, 2028],
        [2136, 2172],
        [2280, 2316]]])