Question

我有数据阵列，形状为100x100。我想把它分成5x5块，每个块有20x20网格。我想要的每个块的值是其中所有值的总和。

有更优雅的方式来实现它吗？

x = np.arange(100)
y = np.arange(100)
X, Y = np.meshgrid(x, y)
Z = np.cos(X)*np.sin(Y)
Z_new = np.zeros((5, 5))
for i in range(5):
  for j in range(5):
    Z_new[i, j] = np.sum(Z[i*20:20+i*20, j*20:20+j*20])

这是基于索引，如果基于x？

x = np.linspace(0, 1, 100)
y = np.linspace(0, 1, 100)
X, Y = np.meshgrid(x, y)
Z = np.cos(X)*np.sin(Y)
x_new = np.linspace(0, 1, 15)
y_new = np.linspace(0, 1, 15)

Z_new？

Answer 1

只需reshape将这两个轴中的每一个分成两个，每个轴形状为(5,20)，形成一个4D数组，然后沿长度为20的轴求和，像这样 -

Z_new = Z.reshape(5,20,5,20).sum(axis=(1,3))

与np.einsum -

在功能上相同但可能更快的选项

Z_new = np.einsum('ijkl->ik',Z.reshape(5,20,5,20))

通用块大小

扩展到一般情况 -

H,W = 5,5 # block-size
m,n = Z.shape
Z_new = Z.reshape(H,m//H,W,n//W).sum(axis=(1,3))

einsum成为 -

Z_new = np.einsum('ijkl->ik',Z.reshape(H,m//H,W,n//W))

要计算块的平均值/平均值，请使用mean代替sum方法。

通用块大小和缩减操作

扩展为使用ufuncs支持多个reduction参数和axes进行缩减的axis操作，它将是 -

def blockwise_reduction(a, height, width, reduction_func=np.sum):
    m,n = a.shape
    a4D = a.reshape(height,m//height,width,n//width)
    return reduction_func(a4D,axis=(1,3))

因此，为了解决我们的具体情况，它将是：

blockwise_reduction(Z, height=5, width=5)

对于逐块平均计算，它将是 -

blockwise_reduction(Z, height=5, width=5, reduction_func=np.mean)

Answer 2

您可以执行以下操作。

t = np.eye(5).repeat(20, axis=1)
Z_new = t.dot(Z).dot(t.T)

这是正确的，因为Z_new[i, j] = t[i, k] * Z[k, l] * t[j, l]

此外，这似乎比Divakar的解决方案更快。

Answer 3

这样的问题是像scipy.ndimage.measurements.sum这样的函数的一个非常好的候选者，因为它允许＆＃34;分组＆＃34;和＆＃34;标签＆＃34;条款。你会得到你想要的东西：

labels = [[20*(y//5) + x//5 for x in range(100)] for y in range(100)]
s = scipy.ndimage.measurements.sum(Z, labels, range(400))

（未经测试，但这是个主意）。

如何评估数组块中的值之和

3 个答案: