Question

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

（编辑：为了澄清，我只是在我用于读取数据的3D python列表中使用了np.array（），因此numpy数组的维度为N * M，其条目为可变长度列表）

我现在想要计算X维度的平均值，以便我留下一个N * M维数组。使用带有axis-argument的np.average / mean不起作用，所以我现在正在做的方式就是迭代N和M并将手动计算的平均值附加到新列表，但这不是感觉非常“蟒蛇”：

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

我错过了一些明显的东西吗？我正在努力梳理我的蟒蛇技能，所以有趣/多样化的反应非常受欢迎！：）

谢谢！

Answer 1

如何使用np.vectorize：

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.  ]])

这仍然会迭代数据元素（没有任何非Pythonic）。但由于shape的{{1}}或axes没有什么特别之处，我只是使用data。在使用data.flat附加到Python list时，最好将值分配给现有数组的元素。

有快速数值方法可以处理numpy数组，但大多数（如果不是全部）使用简单的数字numpy。这里的数组元素是dtypes（列表或数组），numpy必须求助于通常的Python迭代和列表操作。

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

Numpy：“锯齿状”3D阵列中的一维平均值

2 个答案: