Python：以分数形式缩小/扩展二维数组

Question

存在 2D 数字数组，作为某些数值过程的输出，其形状为 1x1、3x3、5x5、... 形状，对应于不同的分辨率。

在一个阶段中，需要生成形状为 nxn 的平均值，即二维数组值。 如果输出的形状一致，即全部为 11x11，则解决方案是显而易见的，因此：

element_wise_mean_of_all_arrays。

然而，对于这篇文章的问题，数组的形状不同，所以明显的方法不起作用！

我认为使用 kron 可能会有所帮助 函数 但它没有。例如，如果数组的形状为 17x17，如何将其变为 21x21。因此，对于 1x1、3x3 等所有其他数组，要构建一个常量形状的数组，例如 21x21。 与目标形状相比，阵列的形状也可能更小或更大。这是一个要压缩为 21x21 的 31x31 数组。

您可以将这个问题想象为图像缩小或扩展的一个非常常见的任务。

在 Python 中，使用 numpy、scipy 等在 2D 数组上执行相同工作的有效方法是什么？

更新： 以下是已接受答案的稍微优化版本：

def resize(X,shape=None):
    if shape==None:
        return X
    m,n = shape
    Y = np.zeros((m,n),dtype=type(X[0,0]))
    k = len(X)
    p,q = k/m,k/n
    for i in xrange(m):
        Y[i,:] = X[i*p,np.int_(np.arange(n)*q)]
    return Y

它工作得很好，但是你们都同意就效率而言它是最佳选择吗？如果没有改善的话？

# Expanding ---------------------------------

>>> X = np.array([[1,2,3],[4,5,6],[7,8,9]])
[[1 2 3]
 [4 5 6]
 [7 8 9]]

>>> resize(X,[7,11])
[[1 1 1 1 2 2 2 2 3 3 3]
 [1 1 1 1 2 2 2 2 3 3 3]
 [1 1 1 1 2 2 2 2 3 3 3]
 [4 4 4 4 5 5 5 5 6 6 6]
 [4 4 4 4 5 5 5 5 6 6 6]
 [7 7 7 7 8 8 8 8 9 9 9]
 [7 7 7 7 8 8 8 8 9 9 9]]

# Shrinking ---------------------------------

>>> X = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16]])
[[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [13 14 15 16]]

>>> resize(X,(2,2))
[[ 1  3]
 [ 9 11]]

最后一点：上面的代码可以很容易地转换为 Fortran 以获得尽可能最高的性能。

Answer 1

我不确定我到底理解你正在尝试什么，但如果我认为最简单的方法是：

wanted_size = 21
a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
b = numpy.zeros((wanted_size, wanted_size))

for i in range(wanted_size):
    for j in range(wanted_size):
        idx1 = i * len(a) / wanted_size
        idx2 = j * len(a) / wanted_size
        b[i][j] = a[idx1][idx2]

你可以用一些自定义函数（例如平均值）替换 b[i][j] = a[idx1][idx2]以 [idx1][idx2] 或某个插值函数为中心的 3x3 矩阵。