有效地将坐标设置为 numpy（位图）数组，不包括屏幕外坐标
Efficiently plot coordinate set to numpy (bitmap) array excluding offscreen coordinates
这个问题来自
给出了从 x、y、颜色列表绘制到位图的解决方案：
bitmap = np.zeros((10, 10, 3))
s_x = (0,1,2) ## tuple
s_y = (1,2,3) ## tuple
pixal_val = np.array([[0,0,1],[1,0,0],[0,1,0]]) ## np
bitmap[s_x, s_y] = pixal_val
plt.imshow(bitmap)
但是如何处理某些 (x,y) 对位于位图之外的情况？
效率至上。
如果我可以将屏幕外坐标映射到位图 (-42, 7) -> (0, 7)、(15, -6) -> (15, 0) 的第一个 row/col，我可以简单地用 bitmap[:,0,:] = 0; bitmap[0,:,:] = 0 涂黑第一行和列。
这可行吗？
有没有更聪明的方法？
你期待画面外坐标吗？如果是，请不要担心，否则我只是想知道它是否使用了非传统坐标系 - 无论出于何种原因，零可能位于图像的中心
无论如何，在我发现你可以使用 numpy 数组来存储坐标之后，将异常值映射到第一个 row/col 非常简单，只需使用：s_x[s_x < 0] = 0，然而，我相信最使用逻辑查找要使用的像素索引的有效方法，因此只分配它们 - 见下文：
bitmap = np.zeros((15, 16, 3))
## generate data
s_x = np.array([a for a in range(-3,22)], dtype=int)
s_y = np.array([a for a in range(-4,21)], dtype=int)
np.random.shuffle(s_x)
np.random.shuffle(s_y)
print(s_x)
print(s_y)
pixel_val = np.random.rand(25,3)
## generate is done
use = np.logical_and(np.logical_and(s_x >= 0, s_x < bitmap.shape[1]), np.logical_and(s_y >= 0, s_y < bitmap.shape[0]))
bitmap[s_y[use], s_x[use]] = pixel_val[use]
plt.imshow(bitmap)
输出：
坐标：
[ 8 3 21 9 -2 -3 5 14 -1 18 13 16 0 11 7 1 2 12 15 6 19 10 4 17 20]
[ 8 14 1 9 2 4 7 15 3 -3 19 16 6 -1 0 17 5 13 -2 20 -4 11 10 12 18]
图片：
我 运行 一个测试，它必须分配 3145728（是你在另一个问题中给出的位图大小的四倍），其中大约一半在图像之外，平均花费大约 140 毫秒，而重新映射异常值然后将第一个 row/col 设置为零花费了 200 毫秒用于同一任务
这个问题来自
给出了从 x、y、颜色列表绘制到位图的解决方案：
bitmap = np.zeros((10, 10, 3))
s_x = (0,1,2) ## tuple
s_y = (1,2,3) ## tuple
pixal_val = np.array([[0,0,1],[1,0,0],[0,1,0]]) ## np
bitmap[s_x, s_y] = pixal_val
plt.imshow(bitmap)
但是如何处理某些 (x,y) 对位于位图之外的情况？
效率至上。
如果我可以将屏幕外坐标映射到位图 (-42, 7) -> (0, 7)、(15, -6) -> (15, 0) 的第一个 row/col，我可以简单地用 bitmap[:,0,:] = 0; bitmap[0,:,:] = 0 涂黑第一行和列。
这可行吗？
有没有更聪明的方法？
你期待画面外坐标吗？如果是，请不要担心，否则我只是想知道它是否使用了非传统坐标系 - 无论出于何种原因，零可能位于图像的中心
无论如何，在我发现你可以使用 numpy 数组来存储坐标之后，将异常值映射到第一个 row/col 非常简单，只需使用：s_x[s_x < 0] = 0，然而，我相信最使用逻辑查找要使用的像素索引的有效方法，因此只分配它们 - 见下文：
bitmap = np.zeros((15, 16, 3))
## generate data
s_x = np.array([a for a in range(-3,22)], dtype=int)
s_y = np.array([a for a in range(-4,21)], dtype=int)
np.random.shuffle(s_x)
np.random.shuffle(s_y)
print(s_x)
print(s_y)
pixel_val = np.random.rand(25,3)
## generate is done
use = np.logical_and(np.logical_and(s_x >= 0, s_x < bitmap.shape[1]), np.logical_and(s_y >= 0, s_y < bitmap.shape[0]))
bitmap[s_y[use], s_x[use]] = pixel_val[use]
plt.imshow(bitmap)
输出：
坐标：
[ 8 3 21 9 -2 -3 5 14 -1 18 13 16 0 11 7 1 2 12 15 6 19 10 4 17 20]
[ 8 14 1 9 2 4 7 15 3 -3 19 16 6 -1 0 17 5 13 -2 20 -4 11 10 12 18]
图片：
我 运行 一个测试，它必须分配 3145728（是你在另一个问题中给出的位图大小的四倍），其中大约一半在图像之外，平均花费大约 140 毫秒，而重新映射异常值然后将第一个 row/col 设置为零花费了 200 毫秒用于同一任务