Question

我想在NumPy中找到2D数组的块平均值。为简单起见，我们假设数组如下：

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])

我想将这个数组分成3个大小为2x4的块，然后找到所有三个块的平均值（这样平均值的形状是2x4。第一个块是由前4列组成的，下一个是接下来的4列等等。所以我的块是：

array([[0, 1, 2, 3],
       [12, 13, 14, 15]])

array([[ 4,  5,  6,  7],
       [16, 17, 18, 19]])

array([[ 8,  9, 10, 11],
       [20, 21, 22, 23]])

我可以使用循环来执行此操作，但我觉得最好先通过reshape将此数组转换为3D数组，然后在3D数组上使用mean方法沿第三轴。这可能类似于this question。

如果有人能提供给我，我将不胜感激：

1）。如果存在这样的技巧，那么执行块的适当Pythonic命令意味着甚至不转换为3D。

2）。如果没有合适的Pythonic命令进行2D到3D转换。

3）。了解使用循环或使用上述命令进行更高效（在空间方面）。

Answer 1

Numpy方法几乎总能击败python循环，所以我将跳过你的1。

对于2，在这种特殊情况下，以下工作：

a = np.array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11],
              [12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23]])
a = a.reshape(2, 3, 4)
>>> a
array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])
>>> np.mean(a, axis=1)
array([[  4.,   5.,   6.,   7.],
       [ 16.,  17.,  18.,  19.]])

诀窍在于reshape。对于需要n列块的一般情况，以下是一个选项

a = a.reshape((a.shape[0], -1, n))

你对3的关注大多是没有根据的。 reshape返回原始数组的视图，而不是副本，因此转换为3D只需要更改数组的shape和strides属性，而无需复制任何实际数据

修改为了确保重塑不复制数组，但返回视图，请重新整形为

a.shape = a = a.reshape((a.shape[0], -1, n))

docs中的示例如下：

>>> a = np.arange(12).reshape(3,4) >>> b = a.T >>> b.shape = (12,) Traceback (most recent call last): File "<stdin>", line 1, in <module> AttributeError: incompatible shape for a non-contiguous array

一般情况下，如果您在阵列上执行transpose，rollaxis，swapaxes等操作，则只会出现问题。

Answer 2

我可以回答你的电话号码1）。

vstack([mean(a[:,4*i:4*(i+1)],axis=1) for i in range(3)]).T

numpy二维数组的块平均值

2 个答案: