从32 * 32列到(32 * 16)×32行，将数据帧/数组进行整形和转换

Question

我有16张32x32px图片的灰度图像数据，存储在熊猫的数据中。每个数据行表示一个图像的序列化像素数据，因此dataframe有1024列。

我想要重塑数据，不仅恢复原来的图像大小，而且串联所有重塑的图像串联(水平)。

因此，第一行将如下所示:前32列: image1 -第1行像素，第二32列:图像2-1行像素，.

第二行将如下所示:前32列: image1 -第2行像素，第二32列:图像2-2行像素，.

因此，基本上，我想把我的数据从(32 * 32)的16修改到(32 * 16)的32。我想使用这些数据创建一个图像与PIL之后。

有什么优雅的方法吗？我现在有点迷茫，因为我对熊猫和Python的使用还很陌生。我不期望有一个完整的答案，但如果你至少能把我推向正确的方向，那就太好了。

Answer 1

这里有三个不同的函数，第一个使用Pandas方法(堆栈)。第二种方法使用常规python列表，逐行构建结果。最后一张用的是矮胖的整形。

numpy整形方法的效率是其他方法的两倍，几乎所有的计算时间实际上都用于将DataFrame转换为numpy数组格式，然后返回到熊猫。

如果您想使用代码，这里是我为此使用的一个链接到笔记本。

def stack_image_df(image_df):
    """
    Performance: 100 loops, best of 5: 19 ms per loop
    """
    # create a MultiIndex indicating Row and Column information for each image
    row_col_index = pd.MultiIndex.from_tuples(
        [(i // 32, i % 32) for i in range(0, 1024)], name=["row", "col"]
    )
    image_df.columns = row_col_index

    image_df.index = range(1, 17)
    image_df.index.name = "Image"

    # Use MultiIndex to reshape data
    return image_df.stack(level=1).T


def build_image_df(image_df):
    """
    Performance: 10 loops, best of 5: 19.2 ms per loop
    """
    image_data = image_df.values.tolist()
    reshaped = []
    for r_num in range(0, 32):
        row = []
        for image_num in range(0, 16):
            # for each image
            for c_num in range(0, 32):
                # get the corresponding index in the raw data
                # and add the pixel data to the row we're building
                raw_index = r_num * 32 + c_num
                pixel = image_data[image_num][raw_index]
                row.append(pixel)
        reshaped.append(row)
    reshaped_df = pd.DataFrame(reshaped)
    return reshaped_df


def reshape_image_df(image_df):
    """
    Performance: 100 loops, best of 5: 9.56 ms per loop
    Note: numpy methods only account for 0.82 ms of this

    """
    return pd.DataFrame(
        np.rot90(np.fliplr(raw_df.to_numpy().reshape(512, 32)))
    )