Question

我有一个三维数据集，我试图通过以下方式进行操作。

data.shape = (643, 2890, 10)
vector.shape = (643,)

我希望numpy将数据看作是一个长度为643的长度1-D数组的2890x10矩阵，并计算数据和向量之间的点积（sum-product？）。我可以用循环来做这个，但是我真的想找到一种方法来使用原语（这将在并行节点上运行多次）。

等效循环（我相信）：

a = numpy.zeros ((2890, 10))
for i in range (643):
   a += vector[i]*data[i]

非常感谢！对不起，如果这是一个转贴，我搜索了很多，并最终建立了一个帐户来问你们。

   a = numpy.array ([[[1,1,1,1],[2,2,2,2],[3,3,3,3]], [[3,3,3,3],[4,4,4,4],[5,5,5,5]]])
   b = numpy.array ([10,20])
# Thus, 
   a.shape = (2,3,4)
   b.shape = (2,)
# Want an operation . such that:
   a . b = [[10,10,10,10],[20,20,20,20],[30,30,30,30]] + [[60,60,60,60],[80,80,80,80],[100,100,100,100]]
         = [[70,70,70,70],[100,100,100,100],[130,130,130,130]]

Answer 1

如果你的NumPy足够新（1.6或更高），你可以使用numpy.einsum：

result = np.einsum('ijk,i -> jk', data, vector)

In [36]: data = np.array ([[[1,1,1,1],[2,2,2,2],[3,3,3,3]], [[3,3,3,3],[4,4,4,4],[5,5,5,5]]])

In [37]: vector = np.array ([10,20])

In [38]: np.einsum('ijk,i -> jk', data, vector)
Out[38]: 
array([[ 70,  70,  70,  70],
       [100, 100, 100, 100],
       [130, 130, 130, 130]])

或者，如果没有np.einsum，您可以向vector添加额外的轴，并利用broadcasting执行乘法运算：

In [64]: (data * vector[:,None,None]).sum(axis=0)
Out[64]: 
array([[ 70,  70,  70,  70],
       [100, 100, 100, 100],
       [130, 130, 130, 130]])

Answer 2

上一个答案使用了正确的numpy函数，但是没有给出要求的结果。

应该是：

np.einsum('i, ijk -> ijk', vector, data)

Numpy-矢量矩阵矢量点产品与标量矢量

2 个答案: