沿轴一次应用函数 n 项答案

【问题标题】：Apply function n items at a time along axis沿轴一次应用函数 n 项
【发布时间】：2017-04-30 00:31:53
【问题描述】：

我正在寻找一种方法来沿轴同时应用 n 项函数。例如

array([[ 1,  2], 
       [ 3,  4],
       [ 5,  6],
       [ 7,  8]])

如果我一次将 sum 应用于行 2 项，我会得到：

array([[  4,   6], 
       [ 12,  14]])

第 1 2 行和最后 2 行的 sum 是哪个。

注意：我正在处理更大的数组，我必须将函数应用于我可以在运行时决定的 n 个项目。

数据沿不同的轴延伸。例如

array([[... [ 1,  2, ...], 
            [ 3,  4, ...],
            [ 5,  6, ...],
            [ 7,  8, ...],
            ...], ...])

【问题讨论】：

在多个维度上更大。
也许你可以添加一个这样的例子。
添加了一个例子。

标签： python numpy multidimensional-array

【解决方案1】：

将第一个轴拆分为两个轴，使第二个拆分轴的长度为n 以具有一个 3D 数组，然后沿该拆分轴求和，就像这样 -

a.reshape(a.shape[0]//n,n,a.shape[1]).sum(1)

它应该非常有效，因为重塑只是在输入数组中创建一个视图。

示例运行 -

In [55]: a
Out[55]: 
array([[2, 8, 0, 0],
       [1, 5, 3, 3],
       [6, 1, 4, 7],
       [0, 4, 0, 7],
       [8, 0, 8, 1],
       [8, 3, 3, 8]])

In [56]: n = 2 # Sum every two rows

In [57]: a.reshape(a.shape[0]//n,n,a.shape[1]).sum(1)
Out[57]: 
array([[ 3, 13,  3,  3],
       [ 6,  5,  4, 14],
       [16,  3, 11,  9]])

【讨论】：

【解决方案2】：

这是一个缩减：

numpy.add.reduceat(a, [0,2])
>>> array([[ 4,  6],
           [12, 14]], dtype=int32)

只要“更大”是指在“y”轴上更长，您就可以扩展：

a = numpy.array([[ 1,  2],
                 [ 3,  4],
                 [ 5,  6],
                 [ 7,  8],
                 [ 9, 10],
                 [11, 12]])
numpy.add.reduceat(a, [0,2,4])
>>> array([[ 4,  6],
           [12, 14],
           [20, 22]], dtype=int32)

编辑：实际上，这也适用于“在两个维度上都更大”：

a = numpy.arange(24).reshape(6,4)
numpy.add.reduceat(a, [0,2,4])
>>> array([[ 4,  6,  8, 10],
           [20, 22, 24, 26],
           [36, 38, 40, 42]], dtype=int32)

我会让你自己根据你的具体情况调整索引。

【讨论】：

有一件事我无法弄清楚[0,2,4] 是什么。最后一个4是什么意思？
在第一个轴（y）方向上，它表示添加范围的“开始”。例如：0:2、2:4、4:end。在最后一个示例中：a[4:,:] 给出array([[16, 17, 18, 19], [20, 21, 22, 23]])。

【解决方案3】：

这样的事情怎么样？

n = 2
# calculate the cumsum along axis 0 and take one row from every n rows
cumarr = arr.cumsum(axis = 0)[(n-1)::n]                

# calculate the difference of the resulting numpy array along axis 0   
np.vstack((cumarr[0][None, :], np.diff(cumarr, axis=0)))

# array([[ 4,  6],
#        [12, 14]])

【讨论】：