Как преобразовать границы прямоугольника в срез массива в векторизации?

Question

Мне нужно заполнить N прямоугольными областями заполненного 0 двумерного массива единицами.Области для заполнения хранятся в массиве Nx4, где каждая строка содержит границы прямоугольника (x_low, x_high, y_low, y_high).Эта часть в настоящее время является самой медленной частью того, что я сейчас работаю, и мне интересно, можно ли это сделать быстрее.

В настоящее время это делается путем простой итерации по массиву региона, и целевой массив заполняетсяс теми, которые используют ломтики:

import numpy as np
def fill_array_with_ones(coordinates_array, target_array):
    for row in coordinates_array:
        target_array[row[0]:row[1], row[2]:row[3]] = 1

coords = np.array([[1,3,1,3], [3,5,3,5]])
target = np.zeros((5,5))
fill_array_with_ones(coords, target)
print(target)

Вывод:

array([[0., 0., 0., 0., 0.],
       [0., 1., 1., 0., 0.],
       [0., 1., 1., 0., 0.],
       [0., 0., 0., 1., 1.],
       [0., 0., 0., 1., 1.]])

Я ожидал, что есть какая-то непонятная магия, которая позволила бы мне сделать это векторизованным способом, который бы избавилсяитерации по строкам и, мы надеемся, приведут к более быстрому выполнению:

target[bounds_to_slices(coords)] = 1

Answer 1

Я провел некоторый тест по поводу метода, упомянутого в комментарии, и метода цикла for.Мне интересно, действительно ли это ваша горлышко бутылки?

# prepare data
import numpy as np
a = np.zeros((1024, 1024), '?')
bound = np.random.randint(0, 1024, (9999,4), 'H')

# build indices, as indices can be pre-computed, don't time it
x = np.arange(1024, dtype='H')[:,None]
y = x[:,None]

# the force vectorized method
%%timeit
ymask = y >= bound[:,0]
ymask &= y < bound[:,1]
xmask = x >= bound[:,2]
xmask &= x < bound[:,3]
a[(ymask & xmask).any(2)] = True
# outputs 3.06 s ± 1.35 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

# the normal method
%%timeit
for i,j,k,l in bound:
    a[i:k,j:l] = True
# outputs 22.8 ms ± 28.5 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

Мало того, что «векторизованный» метод всегда медленнее, независимо от количества ограничивающих рамок, он также генерирует временный массив размером 10 ГБ.С другой стороны, обычный метод достаточно быстр.