Question

假设你有以下 N - 维数组

>>> import numpy as np
>>> Z = np.array(7*[6*[5*[4*[3*[range(2)]]]]])
>>> Z.ndim
6

请注意 N = 6，但我想在讨论中保持随意。

<小时/> 然后我执行多轴操作 - 当然主观上 - 有问题 ＆＃34;崩溃＆＃34; （如here和there所述）维度。

假设计算轴是

>>> axes = (0,2,5)

因此，元组的长度属于[ 1 ， N ]。

<小时/> 正如您可能已经猜到的那样，我想使a的输出形状，例如np.mean与其输入的形状相同。例如

>>> Y = np.mean(Z, axis=axes)
>>> Y.shape
(6L, 4L, 3L)

，而

>>> Z.shape
(7L, 6L, 5L, 4L, 3L, 2L)

我有一个自制的解决方案，如下

def nd_repeat(arr, der, axes):
    if not isinstance(axes, tuple):
        axes = (axes,)
    shape = list(arr.shape)
    for axis in axes:
        shape[axis] = 1
    return np.zeros_like(arr) + der.reshape(shape)

顺带der代表＆＃34;派生＆＃34;。

>>> nd_repeat(Z, Y, axes).shape
(7L, 6L, 5L, 4L, 3L, 2L)

完成此N维重复的 numpy-builtin方式 是什么？

<小时/> 性能问题，import timeit

homemade_s = """\
nd_repeat(Z, np.nanpercentile(Z, 99.9, axis=axes), axes)
"""
homemade_t = timeit.Timer(homemade_s, "from __main__ import nd_repeat,Z,axes,np").timeit(10000)

npbuiltin_s = """\
np.broadcast_to(np.nanpercentile(Z, 99.9, axis=axes, keepdims=True), Z.shape)
"""
npbuiltin_t = timeit.Timer(npbuiltin_s, "from __main__ import Z,axes,np").timeit(10000)

可以预期

>>> np.log(homemade_t/npbuiltin_t)
0.024082885343423521

我的解决方案比hpaulj慢〜2.5％。

Answer 1

mean有一个keepdims参数，用于保留压缩维度：

In [139]: shape=(2,3,4,5)
In [140]: x=np.arange(np.prod(shape)).reshape(shape)
In [141]: m=x.mean(axis=2, keepdims=True)
In [142]: m.shape
Out[142]: (2, 3, 1, 5)

现在很容易在该维度上复制m：

In [144]: m1=np.broadcast_to(m,shape)
In [145]: m1.shape
Out[145]: (2, 3, 4, 5)

repeat和tile也是沿着维度复制数组的便捷方式。

broadcast_to扩展数组而不添加元素，只需更改形状和步幅：

In [146]: m1.strides
Out[146]: (120, 40, 0, 8)

repeat会增加数组的大小：

In [148]: m2=np.repeat(m, shape[2], axis=2)
In [149]: m2.shape
Out[149]: (2, 3, 4, 5)
In [150]: m2.strides
Out[150]: (480, 160, 40, 8)

m可以在没有x-m的情况下使用。 m x与num + ".";广播。

N维numpy数组的任意N维重复

1 个答案: