Question

（这个问题类似于Numpy averaging with multi-dimensional weights along an axis，但更复杂。）

我有一个numpy数组，d，d.shape=(16,3,90,144)和一系列权重e，e.shape=(16,3)。我想使用a沿轴1加权e。所以输出应该是一个形状为(16,90,144)的numpy数组。我可以通过列表理解来实现这一目标：

np.array([np.average(d[n], weights=e[n], axis=0) for n in range(16)])

但是和上一个问题一样，我想避免将列表转换回numpy数组。这种情况比前一个问题更复杂，因为权重每次都不相同（即weights=e[n]，而不是weights=b）。

有人可以帮忙吗？谢谢！

Answer 1

直接使用np.average会很不错。但是，为此，d和权重e必须具有相同的形状，并且此处不会隐式广播。

明确地广播e（使用np.broadcast_arrays），使其形状与d相同，但浪费内存。因此，不要这样做，可以查看source code defining numpy.average并尝试重现计算：

In [121]: d = np.random.random((16,3,90,144))

In [122]: e = np.random.random((16,3))

In [123]: f = e[:,:,None,None]

In [124]: scl = f.sum(axis = 1)

In [125]: avg = np.multiply(d,f).sum(axis = 1)/scl

这是检查计算返回与列表推导相同的结果：

In [126]: avg_lc = np.array([np.average(d[n], weights=e[n], axis=0) for n in range(d.shape[0])])

In [127]: np.allclose(avg, avg_lc)
Out[127]: True

4D阵列的Numpy加权平均值，具有2D列表权重而没有列表理解

1 个答案: