為了說明，成像我有以下ndarray：x = [[0.5, 0.3, 0.1, 0.1], [0.4, 0.1, 0.3, 0.2], [0.4, 0.3, 0.2, 0.1], [0.6, 0.1, 0.1, 0.2]]我想對第 1 列和第 2 列的兩個向量求和（從 0 開始計數(shù)），這樣新的 ndarray 將是：y = [[0.5, 0.4, 0.1], [0.4, 0.4, 0.2], [0.4, 0.5, 0.1], [0.6, 0.2, 0.2]]然后，我想對第 1 行和第 2 行的向量進(jìn)行平均，以便最終結(jié)果為：z = [[0.5, 0.4, 0.1 ], [0.4, 0.45, 0.15], [0.6, 0.2, 0.2 ]]有沒有一種有效的方法可以在一個命令中在 numpy 中做到這一點？我真的需要效率，因為此操作將在嵌套循環(huán)中應(yīng)用。
3 回答
小怪獸愛吃肉
TA貢獻(xiàn)1852條經(jīng)驗 獲得超1個贊
您可以sum很容易地列：
a_summed = np.sum(a[:,1:3], axis=1)
您還可以取多行的平均值：
a_mean = np.mean(a[1:3], axis=0)
您所要做的就是替換并刪除剩余的列，因此它變?yōu)椋?/p>
import numpy as np
a_summed = np.sum(a[:,1:3], axis=1)
a[:, 1] = a_summed
a = np.delete(a, 2, 1)
a_mean = np.mean(a[1:3], axis=0)
a[1] = a_mean
a = np.delete(a, 2, 0)
print(a)
嚕嚕噠
TA貢獻(xiàn)1784條經(jīng)驗 獲得超7個贊
In [68]: x = [[0.5, 0.3, 0.1, 0.1],
...: [0.4, 0.1, 0.3, 0.2],
...: [0.4, 0.3, 0.2, 0.1],
...: [0.6, 0.1, 0.1, 0.2]]
In [69]: x=np.array(x)
ufunc比如np.add有一種reduceat方法可以讓我們對多組行或列執(zhí)行操作。有了第一個減少很容易（但需要一點時間來理解參數(shù)）：
In [70]: np.add.reduceat(x,[0,1,3], axis=1)
Out[70]:
array([[0.5, 0.4, 0.1],
[0.4, 0.4, 0.2],
[0.4, 0.5, 0.1],
[0.6, 0.2, 0.2]])
顯然mean不是 a ufunc，所以我不得不滿足add于減少行數(shù)：
In [71]: np.add.reduceat(Out[70],[0,1,3],axis=0)
Out[71]:
array([[0.5, 0.4, 0.1],
[0.8, 0.9, 0.3],
[0.6, 0.2, 0.2]])
然后除以行數(shù)得到平均值。我可以將其概括為使用 中使用的相同[0,1,3]，reduceat但現(xiàn)在只使用列數(shù)組：
In [72]: np.add.reduceat(Out[70],[0,1,3],axis=0)/np.array([1,2,1])[:,None]
Out[72]:
array([[0.5 , 0.4 , 0.1 ],
[0.4 , 0.45, 0.15],
[0.6 , 0.2 , 0.2 ]])
整個事情都在一個表達(dá)式中：
In [73]: np.add.reduceat(np.add.reduceat(x,[0,1,3], axis=1),[0,1,3],axis=0)/ np.array([1,2,1])[:,None]
Out[73]:
array([[0.5 , 0.4 , 0.1 ],
[0.4 , 0.45, 0.15],
[0.6 , 0.2 , 0.2 ]])
蠱毒傳說
TA貢獻(xiàn)1895條經(jīng)驗 獲得超3個贊
由于您正在更改原始矩陣大小，因此最好分兩步完成，如前面的答案中所述，但是，如果您想在一個命令中執(zhí)行此操作，您可以按如下方式執(zhí)行，它可以提供一個很好的通用解決方案：
import numpy as np
x = np.array(([0.5, 0.3, 0.1, 0.1, 1],
[0.4, 0.1, 0.3, 0.2, 1],
[0.4, 0.3, 0.2, 0.1, 1],
[0.6, 0.1, 0.1, 0.2, 1]))
def sum_columns(matrix, col_start, col_end):
return np.column_stack((matrix[:, 0:col_start],
np.sum(matrix[:, col_start:col_end + 1], axis=1),
matrix[:, col_end + 1:]))
def avgRows_summedColumns(matrix, row_start, row_end):
return np.row_stack((matrix[0:row_start, :],
np.mean(matrix[row_start:row_end + 1, :], axis=0),
matrix[row_end:-1, :]))
# call the entire operation in one command
print(avgRows_summedColumns(sum_columns(x, 1, 2), 1, 2))
這樣，您的矩陣有多大并不重要。
添加回答
舉報
0/150
提交
取消