Numpy：“锯齿状”3D数组中的一维平均值

Question

假设我有一个 N*M*X 维数组“data”，其中 N 和 M 是固定的，但 X 对于每个条目 data[n][m] 是可变的。

（编辑：澄清一下，我只是在用于读取数据的 3D python 列表上使用了 np.array()，因此 numpy 数组的维度为 N*M，其条目是可变长度列表）

我现在想计算 X 维上的平均值，这样我就得到了一个 N*M 维数组。将 np.average/mean 与轴参数一起使用是行不通的，所以我现在这样做的方式只是遍历 N 和 M 并将手动计算的平均值附加到一个新列表中，但这并没有感觉很“蟒蛇”：

avgData=[]
for n in data:
    temp=[]
    for m in n:
        temp.append(np.average(m))
    avgData.append(temp)

我在这里遗漏了一些明显的东西吗？我正在尝试更新我的 Python 技能，因此非常欢迎有趣/多样的回答！ :)

谢谢！

Answer 1

用np.vectorize怎么样：

do_avg = np.vectorize(np.average)
data_2d = do_avg(data)

Answer 2

data = np.array([[1,2,3],[0,3,2,4],[0,2],[1]]).reshape(2,2)
avg=np.zeros(data.shape)
avg.flat=[np.average(x) for x in data.flat]
print avg
#array([[ 2.  ,  2.25],
#       [ 1.  ,  1.  ]])

这仍然会迭代数据的元素（没有什么非 Pythonic 的）。但是由于data 的shape 或axes 没有什么特别之处，所以我只使用data.flat。在附加到 Python list 时，使用 numpy 时最好将值分配给现有数组的元素。

有一些快速的数字方法可以处理 numpy 数组，但大多数（如果不是全部）都可以处理简单的数字 dtypes。这里的数组元素是object（列表或数组），numpy 不得不求助于通常的 Python 迭代和列表操作。

对于这个小例子，这个解决方案比 Zwicker 的 vectorize 快一点。对于较大的data，这两种解决方案大约需要相同的时间。