Участок малонаселенного массива 2d numpy

Question

из итеративного шаблона изображения с уменьшением размера шага У меня есть «качественный» массив. Из-за характера шаблона поиска массив не заполняется полностью. На первой итерации я иду с шагами 10, нахожу лучшее место и там ищу диапазон +10 XY, чтобы найти истинное лучшее место. Таким образом, у большинства массивов есть каждый 10-й слот, и есть небольшая «лучшая» область, которая плотно заполнена. Теперь я хочу построить этот массив и хочу, чтобы график был «интерполирован» там, где это необходимо, используя данные каждые 10-й слот. Теперь для выполнения поиска я инициализирую массив с огромным значением. Все мои измерения меньше, и позже я использую функцию np.argmin(q). Это отлично подходит для поиска, но для заговора это плохо. Динамический диапазон графика теряется.

Вот пример из старой версии коды, что делает исчерпывающие, но излишне долго искать:

И вот что я получаю с оптимизированным поиском:

Вот фрагмент кода, который делает графики. (q - матрица качества для построения)

fig= plt.figure(1) 
im= plt.imshow(q[::-1], cmap='rainbow', interpolation='none', extent=[-search_size,search_size,-search_size,search_size]) 
fig.savefig(pfn(img_fn), bbox_inches='tight') 

Проблема может указывать на инициализацию массива. Опять же, как я делаю минимальный поиск Я делаю это:

q = np.empty(shape=(2*search_size,2*search_size)) 
q.fill(+1e20) 

q_min = 1e20 

for xs in range(-search_size,+search_size,search_step): 
    for ys in range(-search_size,+search_size,search_step): 
     img_shift = np.zeros_like(img) 
     img_shift[mom(ys):non(ys), mom(xs):non(xs)] = img[mom(-ys):non(-ys), mom(-xs):non(-xs)] 
     d = np.absolute(img_shift - prev_img)[search_size:-search_size,search_size:-search_size] 
     q[ys+search_size,xs+search_size] = np.sum(d) 
     if q[ys+search_size,xs+search_size] < q_min : q_min= q[ys+search_size,xs+search_size] 
     #print '1st iter try : %+3d %+3d %6.3f %6.3f' % (xs, ys, q[ys+search_size,xs+search_size], q_min) 

idxmin = np.argmin(q) 
dy,dx = np.unravel_index(idxmin, q.shape) 
dx= dx-search_size 
dy= dy-search_size 
print '1st iter best : dx= %+3d dy= %+3d' % (dx , dy) 

Затем следует еще один цикл с search_step = 1.

Возможно ли инициализировать массив, то есть NaN? Это позволит минимальный поиск? И/или это позволит плоттеру прыгать через неопределенные записи?

Итак, что является лучшим способом для инициализации/построения графика, чтобы поиск работал, и графики выглядели хорошо?

Спасибо, Герт

---

Update @Nix G-D

Усреднение терпит неудачу. Сначала я попробовал код в соответствии с рекомендацией.

q_int = pd.DataFrame(q).interpolate(method='linear', axis=0).values 
fig= plt.figure(1) 
im= plt.imshow(q_int[::-1], cmap='rainbow', interpolation='none', extent=[-search_size,search_size,-search_size,search_size]) 

Однако 2D-интерполяция не удалась. (По крайней мере, как указано в сюжете)

Я пытался добавить код для выполнения X и Y интерполяции.

q_int = pd.DataFrame(q).interpolate(method='linear', axis=0).values 
q_int = pd.DataFrame(q_intx).interpolate(method='linear', axis=1).values 
fig= plt.figure(1) 
im= plt.imshow(q_int[::-1], cmap='rainbow', interpolation='none', extent=[-search_size,search_size,-search_size,search_size]) 

Но результаты все еще были повреждены.

Бест, Герт

Answer 1

Вы можете инициализировать массив с NaN легко:

shape = (2*search_size, 2*search_size) 
q = np.full(shape, np.nan) 

Это может быть поиск в обычном режиме. Для того, чтобы найти минимальные показатели игнорирующие пренебрежимо малых, вы можете использовать np.nanargmin()

In [12]: np.nanargmin([1,-1,4,float('nan')]) 
Out[12]: 1 

Чтобы избавиться от этих значений NaN мы можем использовать, pandas.DataFrame.interpolate():

q_interpolated = pd.DataFrame(q).interpolate(method='linear', axis=0).values