Question

我有一个尺寸为400 * 800 * 3的3D数组。我想用第三维的平均值替换该维度的平均值。现在我已经能够通过使用循环来实现这一目标。

test_data=np.random.randint(0,256,size=(400,800,3))
for i in range(400):
    for j in range(800):
        mn = np.mean(test_data[i,j])
        test_data[i,j]=mn

我想知道是否有一种有效且不那么冗长的方法来实现同一目标。感谢。

另外，如果不是平均值，我想要三个元素的加权平均值，即最后一行应该替换为

test_data[i,j,0]=test_data[i,j,0]*0.2
test_data[i,j,1]=test_data[i,j,1]*0.5
test_data[i,j,2]=test_data[i,j,2]*0.3

Answer 1

获取最后一个轴的平均值，并使用[:] -

分配到所有地方

test_data[:] = test_data.mean(axis=-1,keepdims=1)

或者，我们可以创建一个沿最后一个轴复制的新数组 -

mean_vals = test_data.mean(axis=-1,keepdims=1).astype(test_data.dtype)
test_data_out = np.repeat(mean_vals,3,axis=-1)

对于只读版本和更快的方法，请使用np.broadcast_to -

test_data_out = np.broadcast_to(mean_vals, test_data.shape)

对于加权平均部分，如果您的意思是：

test_data[i,j]= test_data[i,j,0]*0.2 + test_data[i,j,1]*0.5 + test_data[i,j,2]*0.3

为此，我们可以使用多调度张量减少：np.tensordot -

W = [0.2,0.5,0.3] # weights
W_mean = np.tensordot(test_data,W, axes=((-1,-1)))[...,None]
test_data[:] = W_mean.astype(test_data.dtype)

相反，如果你的意思是：

test_data[i,j,0]=test_data[i,j,0]*0.2
test_data[i,j,1]=test_data[i,j,1]*0.5
test_data[i,j,2]=test_data[i,j,2]*0.3

为此，没有sum-reduction，所以我们可以简单地使用broadcasting -

test_data[:] = (test_data*[0.2, 0.5, 0.3]).astype(test_data.dtype)

Answer 2

这应该有效：

test_data[:,:,0] += test_data[:,:,1]
test_data[:,:,0] += test_data[:,:,2]
test_data[:,:,0] *= 1.0/3
test_data[:,:,1] = test_data[:,:,0]*0.5
test_data[:,:,2] = test_data[:,:,0]*0.3
test_data[:,:,0] *= 0.2

这种方法可以“就地”工作而不需要额外的内存

Answer 3

In [556]: test_data=np.arange(24.).reshape(2,4,3)
In [557]: test_data
Out[557]: 
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.]]])

沿最后一个维度缩放值只是一个乘法：

In [558]: test_data*np.array([0.2, 0.5, 0.3])
Out[558]: 
array([[[  0. ,   0.5,   0.6],
        [  0.6,   2. ,   1.5],
        [  1.2,   3.5,   2.4],
        [  1.8,   5. ,   3.3]],

       [[  2.4,   6.5,   4.2],
        [  3. ,   8. ,   5.1],
        [  3.6,   9.5,   6. ],
        [  4.2,  11. ,   6.9]]])

可以使用test_data *= np.array([....])

来完成

在最后一个维度上取平均值只是：

In [559]: test_data.mean(axis=-1)
Out[559]: 
array([[  1.,   4.,   7.,  10.],
       [ 13.,  16.,  19.,  22.]])

这是2d。 @divakar已经展示了如何保持3d（keep_dims）甚至全尺寸（2,4,1）甚至（2,4,3）。

In [561]: test_data.mean(axis=-1,keepdims=True)
Out[561]: 
array([[[  1.],
        [  4.],
        [  7.],
        [ 10.]],

       [[ 13.],
        [ 16.],
        [ 19.],
        [ 22.]]])

np.average可让您指定权重（加权平均值）：

In [568]: np.average(test_data, axis=-1, weights=[0.2,0.5,0.3])
Out[568]: 
array([[  1.1,   4.1,   7.1,  10.1],
       [ 13.1,  16.1,  19.1,  22.1]])

这与在最后一维上拍摄点积

相同

In [569]: np.dot(test_data, [0.2,0.5,0.3])
Out[569]: 
array([[  1.1,   4.1,   7.1,  10.1],
       [ 13.1,  16.1,  19.1,  22.1]])

NumPy：将第三维中的所有元素替换为3D数组中的平均值

3 个答案: