将512x512 PNG雷达图结合颜色映射CSV转换为Pandas DataFrame的最优方法

嘿，这个需求我之前处理过类似的，给你分享个高效的方案，尽量避免拖慢速度的逐像素循环：

我们核心思路是用向量化操作提升效率，毕竟512x512的像素量虽不算超大，但向量化始终是处理这类问题的最优选择。下面用pandas、numpy和PIL（也可以用OpenCV，这里选PIL更直观）来实现：

步骤1：读取颜色映射表，建立快速查找字典 #

首先把CSV读进来，将B、G、R组合成元组作为键，对应的rainfall_mm作为值——字典的查找速度是O(1)，比逐行匹配快得多。

import pandas as pd
import numpy as np
from PIL import Image

# 读取颜色映射表
colour_table = pd.read_csv('rainfall_colour_table.csv')

# 建立BGR元组到降雨强度的映射字典
# ⚠️ 注意：PIL读取的图片是RGB顺序，但你的CSV是B、G、R列，要保持键的顺序和后续图片通道一致！
colour_map = {(row['B'], row['G'], row['R']): row['rainfall_mm'] 
              for _, row in colour_table.iterrows()}

这里一定要注意通道顺序：如果后续用OpenCV读图片（默认BGR），那字典的键顺序就不用改；如果用PIL（默认RGB），要么把字典的键改成(R,G,B)，要么把图片通道转成BGR，千万不能搞混！

步骤2：读取雷达图像，转换为BGR数组 #

用PIL读取图片后转成numpy数组，再调整通道顺序为BGR（对应CSV的列顺序）：

# 读取图片并转成numpy数组（形状为(512, 512, 3)，通道顺序RGB）
img = Image.open('png_image.png')
img_array = np.array(img)

# 翻转通道，把RGB转成BGR（和CSV的B、G、R对应）
img_bgr = img_array[..., ::-1]

步骤3：向量化映射像素到降雨强度 #

这里我们先把二维图像展平成一维像素列表，批量映射后再恢复形状，避免逐像素循环：

# 把512x512x3的数组展平成(512*512, 3)的二维数组
pixels_flat = img_bgr.reshape(-1, 3)

# 将每个像素转为元组（因为字典的键是元组类型）
pixels_tuples = [tuple(pixel) for pixel in pixels_flat]

# 批量映射得到降雨强度，遇到CSV里没有的颜色用np.nan填充（可按需改成0或其他值）
rainfall_flat = np.array([colour_map.get(pixel, np.nan) for pixel in pixels_tuples])

# 把展平后的数组恢复成512x512的形状
rainfall_array = rainfall_flat.reshape(512, 512)

# 最终转成Pandas DataFrame
rainfall_df = pd.DataFrame(rainfall_array)

进阶优化：更快的向量化匹配（适合大图片） #

如果后续要处理更大的图片，上面的列表推导还是有点慢，可以用numpy的结构化数组+searchsorted来进一步提速：

# 把颜色表的BGR列合并成元组，然后排序
colour_table['bgr_tuple'] = list(zip(colour_table['B'], colour_table['G'], colour_table['R']))
colour_table_sorted = colour_table.sort_values('bgr_tuple')

# 提取排序后的BGR元组和对应降雨强度
sorted_bgr = np.array(colour_table_sorted['bgr_tuple'].tolist(), dtype='i,i,i')
sorted_rainfall = colour_table_sorted['rainfall_mm'].values

# 将展平后的像素转成和sorted_bgr同类型的结构化数组
pixels_struct = np.array([tuple(p) for p in pixels_flat], dtype='i,i,i')

# 用searchsorted快速找到每个像素对应的索引
indices = np.searchsorted(sorted_bgr, pixels_struct)
# 防止索引越界
indices = np.clip(indices, 0, len(sorted_bgr)-1)

# 匹配降雨强度，同时标记不匹配的像素为nan
rainfall_flat = sorted_rainfall[indices]
mask = sorted_bgr[indices] != pixels_struct
rainfall_flat[mask] = np.nan

# 转成DataFrame
rainfall_df = pd.DataFrame(rainfall_flat.reshape(512,512))

避坑提醒 #

• 通道顺序绝对不能错：这是最容易踩的坑，一定要确保图片的通道顺序和字典键的顺序完全对应，否则映射出来的降雨强度全是错的！
• 颜色值类型要一致：CSV里的B、G、R必须是0-255的整数，和图片像素的uint8类型匹配，不然会出现匹配失败的情况。
• 缺失颜色要处理：图片里可能存在CSV没有的颜色，一定要用get方法或者掩码设置默认值，避免抛出KeyError。

内容的提问来源于stack exchange，提问作者Tom