我有一段使用numpy.sum：
的代码import numpy as np
n = 1000
ndice = 10
nsix = 3
dice = np.random.random_integers(6,size=(ndice,n))
p = np.sum(np.sum(dice==6,0)>=nsix)/float(n)
print 'probability:', p
我基本上在想，这条线在做什么：
p = np.sum(np.sum(dice==6,0)>=nsix)/float(n)
查看numpy.sum文档，我无法真正了解它的使用方式：http://docs.scipy.org/doc/numpy/reference/generated/numpy.sum.html
我猜有两个部分。
1这取得了什么成果？
np.sum(dice==6,0)
2它是否...加一个布尔值？
非常感谢任何解释，谢谢。
答案 0 :(得分：2)
dice是一个ndice x n或10 x 1000的整数值矩阵，从1到6. dice==6将该矩阵转换为对应于所有6的True的布尔矩阵。
np.sum(dice==6,0)与np.sum(dice==6, axis=0)相同，意味着总和是沿ndice轴取的，所以现在你有一个1 x 1000的数组。你有n = 1000次运行，每次运行有ndice = 10 die。这个1 x 1000阵列现在表示每次运行中有10个模具出现了6s。
np.sum(dice==6,0)>=nsix将其转换为布尔值为1 x 1000的数组，如果至少nsix个数量为6s，则每次运行（此处我们有1000次运行）将为真。取这个1 x 1000阵列的总和，然后给出运行次数，这是真的。
答案 1 :(得分：1)
如果你不能自己运行程序，我会为你运行它，这些是各个部分：
In [28]: dice
Out[28]:
array([[2, 2, 2, ..., 5, 1, 1],
[3, 1, 3, ..., 6, 3, 5],
[1, 3, 4, ..., 6, 4, 6],
...,
[1, 4, 6, ..., 1, 1, 4],
[1, 1, 1, ..., 6, 1, 3],
[6, 2, 6, ..., 2, 6, 5]])
In [29]: dice==6
Out[29]:
array([[False, False, False, ..., False, False, False],
[False, False, False, ..., True, False, False],
[False, False, False, ..., True, False, True],
...,
[False, False, True, ..., False, False, False],
[False, False, False, ..., True, False, False],
[ True, False, True, ..., False, True, False]], dtype=bool)
In [30]: np.sum(dice==6,0)
Out[30]:
array([2, 1, 3, 3, 0, 1, 1, 2, 1, 2, 2, 2, 1, 0, 0, 3, 0, 1, 1, 4, 3, 1, 4,
2, 2, 1, 2, 1, 3, 3, 1, 3, 2, 3, 0, 1, 0, 2, 2, 2, 1, 0, 1, 1, 1, 1,
1, 0, 4, 1, 1, 3, 1, 4, 1, 2, 0, 2, 1, 0, 1, 2, 0, 1, 1, 1, 2, 3, 3,
1, 1, 3, 1, 1, 1, 1, 0, 3, 1, 1, 2, 2, 2, 1, 3, 1, 2, 1, 1, 3, 2, 2,
2, 2, 1, 0, 0, 2, 2, 2, 1, 2, 1, 1, 2, 2, 1, 2, 3, 0, 2, 3, 0, 0, 0,
3, 0, 2, 0, 0, 1, 1, 2, 1, 2, 3, 1, 1, 3, 4, 1, 1, 1, 1, 1, 2, 3, 1,
5, 2, 1, 3, 2, 2, 0, 2, 5, 1, 1, 0, 3, 3, 0, 2, 2, 2, 2, 0, 1, 2, 4,
2, 4, 0, 1, 0, 2, 2, 1, 4, 1, 2, 2, 0, 0, 2, 0, 2, 2, 1, 2, 2, 2, 1,
1, 2, 2, 2, 1, 1, 0, 1, 0, 0, 2, 2, 2, 1, 2, 2, 3, 1, 1, 0, 2, 1, 2,
1, 1, 3, 0, 2, 2, 2, 0, 2, 2, 2, 1, 2, 3, 0, 1, 3, 0, 0, 1, 0, 2, 2,
3, 2, 1, 0, 1, 1, 0, 1, 1, 1, 3, 3, 1, 2, 3, 1, 2, 0, 3, 0, 2, 2, 3,
2, 3, 1, 1, 2, 1, 2, 2, 2, 3, 1, 3, 5, 0, 1, 3, 0, 1, 4, 4, 2, 2, 0,
3, 0, 2, 1, 1, 2, 2, 4, 2, 2, 3, 0, 3, 0, 0, 1, 2, 1, 1, 0, 6, 2, 3,
0, 4, 2, 2, 4, 1, 1, 4, 2, 1, 2, 3, 2, 1, 0, 1, 1, 0, 0, 3, 0, 2, 2,
2, 1, 0, 1, 2, 0, 0, 3, 2, 2, 1, 1, 1, 1, 1, 2, 0, 1, 2, 1, 3, 1, 4,
3, 4, 2, 3, 0, 3, 2, 0, 2, 0, 4, 1, 2, 2, 2, 3, 3, 1, 0, 1, 0, 2, 2,
0, 1, 2, 2, 1, 1, 0, 3, 4, 2, 2, 5, 1, 0, 3, 4, 2, 2, 0, 2, 2, 3, 2,
1, 2, 1, 1, 4, 2, 1, 2, 1, 3, 2, 4, 2, 0, 1, 1, 3, 1, 1, 3, 2, 5, 3,
1, 3, 1, 1, 0, 3, 1, 1, 1, 0, 0, 1, 1, 2, 4, 3, 1, 2, 1, 2, 2, 1, 1,
0, 3, 1, 4, 2, 2, 2, 3, 0, 0, 4, 1, 3, 1, 2, 1, 0, 3, 2, 0, 1, 2, 1,
3, 1, 1, 1, 3, 5, 2, 0, 2, 4, 0, 2, 1, 4, 1, 4, 2, 3, 4, 3, 0, 2, 1,
2, 3, 2, 1, 1, 0, 1, 0, 1, 3, 2, 4, 2, 1, 1, 3, 4, 3, 0, 1, 2, 2, 0,
0, 1, 1, 2, 1, 1, 1, 1, 2, 1, 2, 3, 4, 4, 2, 0, 2, 2, 1, 3, 0, 4, 1,
0, 1, 2, 1, 1, 1, 1, 0, 1, 2, 2, 3, 1, 2, 2, 0, 2, 1, 2, 3, 1, 2, 0,
0, 0, 4, 2, 0, 1, 0, 3, 0, 1, 5, 1, 1, 0, 2, 4, 2, 2, 0, 1, 2, 1, 1,
2, 3, 2, 3, 2, 2, 0, 0, 1, 3, 2, 2, 1, 1, 1, 0, 0, 2, 3, 2, 3, 2, 1,
2, 2, 3, 0, 2, 3, 0, 3, 2, 3, 1, 4, 0, 1, 1, 1, 3, 1, 2, 1, 2, 2, 2,
0, 1, 1, 1, 2, 2, 0, 2, 1, 2, 1, 4, 1, 1, 0, 0, 0, 0, 2, 0, 1, 1, 0,
6, 3, 3, 1, 0, 1, 2, 3, 3, 0, 2, 1, 0, 1, 1, 1, 1, 0, 2, 2, 3, 3, 2,
1, 1, 2, 1, 0, 2, 1, 4, 0, 3, 1, 1, 2, 1, 2, 1, 1, 2, 2, 2, 0, 4, 1,
3, 1, 0, 3, 0, 0, 1, 1, 2, 1, 3, 2, 1, 1, 1, 1, 1, 0, 1, 2, 1, 2, 3,
1, 2, 2, 2, 3, 3, 2, 3, 0, 0, 1, 1, 2, 4, 2, 2, 2, 1, 3, 1, 4, 1, 1,
1, 0, 1, 1, 2, 5, 2, 1, 2, 2, 2, 2, 2, 4, 2, 2, 3, 0, 2, 1, 3, 2, 1,
2, 2, 1, 0, 2, 0, 1, 3, 2, 3, 2, 1, 1, 2, 1, 1, 0, 0, 3, 1, 2, 3, 3,
2, 2, 4, 2, 2, 2, 2, 1, 2, 3, 3, 4, 0, 0, 1, 3, 1, 4, 2, 0, 4, 2, 4,
2, 1, 1, 3, 1, 0, 0, 3, 2, 1, 1, 1, 4, 3, 1, 2, 1, 1, 0, 1, 2, 3, 3,
3, 1, 2, 5, 1, 0, 1, 3, 2, 6, 0, 1, 1, 2, 2, 5, 2, 1, 3, 0, 0, 2, 3,
2, 1, 1, 0, 2, 2, 2, 2, 1, 2, 0, 0, 3, 2, 0, 2, 4, 2, 3, 2, 1, 1, 1,
2, 3, 1, 4, 1, 1, 1, 1, 1, 1, 2, 1, 1, 2, 2, 2, 2, 0, 2, 3, 5, 2, 4,
1, 1, 2, 2, 3, 2, 3, 4, 1, 0, 0, 1, 1, 1, 0, 4, 1, 1, 4, 1, 0, 2, 0,
2, 2, 3, 1, 1, 2, 2, 0, 3, 3, 1, 2, 1, 1, 2, 1, 1, 3, 2, 2, 0, 3, 1,
0, 3, 2, 2, 4, 2, 6, 3, 3, 0, 3, 2, 2, 2, 2, 1, 2, 2, 0, 1, 2, 1, 1,
2, 2, 3, 2, 2, 1, 1, 2, 1, 2, 1, 1, 0, 2, 1, 2, 1, 0, 5, 0, 2, 3, 1,
2, 1, 0, 1, 1, 0, 1, 2, 4, 3, 1])
In [40]: np.sum(dice==6,0)>=nsix
Out[40]:
array([False, False, True, True, False, False, False, False, False,
False, False, False, False, False, False, True, False, False,
False, True, True, False, True, False, False, False, False,
False, True, True, False, True, False, True, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, True, False, False, True, False, True,
False, False, False, False, False, False, False, False, False,
False, False, False, False, True, True, False, False, True,
False, False, False, False, False, True, False, False, False,
False, False, False, True, False, False, False, False, True,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
True, False, False, True, False, False, False, True, False,
False, False, False, False, False, False, False, False, True,
False, False, True, True, False, False, False, False, False,
False, True, False, True, False, False, True, False, False,
False, False, True, False, False, False, True, True, False,
False, False, False, False, False, False, False, True, False,
True, False, False, False, False, False, False, True, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, True, False, False, False, False, False, False,
False, False, True, False, False, False, False, False, False,
False, False, False, False, True, False, False, True, False,
False, False, False, False, False, True, False, False, False,
False, False, False, False, False, False, True, True, False,
False, True, False, False, False, True, False, False, False,
True, False, True, False, False, False, False, False, False,
False, True, False, True, True, False, False, True, False,
False, True, True, False, False, False, True, False, False,
False, False, False, False, True, False, False, True, False,
True, False, False, False, False, False, False, False, True,
False, True, False, True, False, False, True, False, False,
True, False, False, False, True, False, False, False, False,
False, False, False, True, False, False, False, False, False,
False, False, False, False, False, True, False, False, False,
False, False, False, False, False, False, False, False, False,
True, False, True, True, True, False, True, False, True,
False, False, False, False, True, False, False, False, False,
True, True, False, False, False, False, False, False, False,
False, False, False, False, False, False, True, True, False,
False, True, False, False, True, True, False, False, False,
False, False, True, False, False, False, False, False, True,
False, False, False, False, True, False, True, False, False,
False, False, True, False, False, True, False, True, True,
False, True, False, False, False, True, False, False, False,
False, False, False, False, False, True, True, False, False,
False, False, False, False, False, False, True, False, True,
False, False, False, True, False, False, True, False, True,
False, False, False, False, True, False, False, False, False,
False, True, False, False, False, True, True, False, False,
False, True, False, False, False, True, False, True, False,
True, True, True, False, False, False, False, True, False,
False, False, False, False, False, False, True, False, True,
False, False, False, True, True, True, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, False, True, True, True, False, False,
False, False, False, True, False, True, False, False, False,
False, False, False, False, False, False, False, False, False,
True, False, False, False, False, False, False, False, True,
False, False, False, False, False, True, False, False, False,
False, True, False, False, True, False, False, False, False,
True, False, False, False, False, False, False, False, False,
True, False, True, False, False, False, False, False, True,
False, False, False, False, False, False, False, False, True,
False, True, False, False, False, False, True, False, False,
True, False, True, False, True, False, True, False, False,
False, False, True, False, False, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, True, False, False, False, False, False, False,
False, False, False, False, False, True, True, True, False,
False, False, False, True, True, False, False, False, False,
False, False, False, False, False, False, False, True, True,
False, False, False, False, False, False, False, False, True,
False, True, False, False, False, False, False, False, False,
False, False, False, False, True, False, True, False, False,
True, False, False, False, False, False, False, True, False,
False, False, False, False, False, False, False, False, False,
False, True, False, False, False, False, True, True, False,
True, False, False, False, False, False, True, False, False,
False, False, True, False, True, False, False, False, False,
False, False, False, True, False, False, False, False, False,
False, False, True, False, False, True, False, False, False,
True, False, False, False, False, False, False, False, False,
False, True, False, True, False, False, False, False, False,
False, False, False, True, False, False, True, True, False,
False, True, False, False, False, False, False, False, True,
True, True, False, False, False, True, False, True, False,
False, True, False, True, False, False, False, True, False,
False, False, True, False, False, False, False, True, True,
False, False, False, False, False, False, False, True, True,
True, False, False, True, False, False, False, True, False,
True, False, False, False, False, False, True, False, False,
True, False, False, False, True, False, False, False, False,
False, False, False, False, False, False, False, False, True,
False, False, False, True, False, True, False, False, False,
False, False, True, False, True, False, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, True, True, False, True, False, False, False,
False, True, False, True, True, False, False, False, False,
False, False, False, True, False, False, True, False, False,
False, False, False, False, True, False, False, False, False,
False, True, True, False, False, False, False, False, False,
False, True, False, False, False, True, False, False, True,
False, False, True, False, True, True, True, False, True,
False, False, False, False, False, False, False, False, False,
False, False, False, False, False, True, False, False, False,
False, False, False, False, False, False, False, False, False,
False, False, False, True, False, False, True, False, False,
False, False, False, False, False, False, False, True, True, False], dtype=bool)
In [32]: np.sum(np.sum(dice==6,0)>=nsix)
Out[32]: 212
希望这能澄清事情。所以回答你的问题＆＃34;它是否......总结一个布尔值？＆＃34; - 是的。
总和的简单例子：
In [45]: a = np.array([2,5,6,1])
In [46]: a>3
Out[46]: array([False, True, True, False], dtype=bool)
In [47]: np.sum(a>3)
Out[47]: 2
答案 2 :(得分：0)
如果np.sum接收到一个布尔数组作为参数，它将对每个元素求和（将True计数为1，将False计数为0）并返回结果。
例如np.sum（[True，True，False]）将输出2：）
希望这会有所帮助。 （其他答案是正确的，但也许太正确了？！（特别是因为您在在线阅读一段代码时想到了这个问题，所以我认为您是在寻找一种直觉））。