如果我有一个任意形状的ndarray
,并且我想沿除最后一个轴之外的所有轴计算和,例如,可以通过这样做来实现
all_but_last = tuple(range(arr.ndim - 1))
sum = arr.sum(axis=all_but_last)
现在,tuple(range(arr.ndim - 1))
并不完全直观。有没有更优雅/麻木的方式来做到这一点?
此外,如果要对形状不同的多个数组执行此操作,则必须为每个数组计算一个单独的维元组。有没有一种更规范的说法“不管尺寸是多少,只给我一个轴就行”?
答案 0 :(得分:4)
您可以调整数组的形状,以使除最后一个轴外的所有轴均变平(例如,形状(k, l, m, n)
变为(k*l*m, n)
),然后在第一个轴上求和。
例如,这是您的计算:
In [170]: arr.shape
Out[170]: (2, 3, 4)
In [171]: arr.sum(axis=tuple(range(arr.ndim - 1)))
Out[171]: array([2.85994792, 2.8922732 , 2.29051163, 2.77275709])
这是替代方案:
In [172]: arr.reshape(-1, arr.shape[-1]).sum(axis=0)
Out[172]: array([2.85994792, 2.8922732 , 2.29051163, 2.77275709])
答案 1 :(得分:3)
您可以使用np.apply_over_axes
对多个轴求和。
np.apply_over_axes(np.sum, arr, [0,2]) #sum over axes 0 and 2
np.apply_over_axes(np.sum, arr, range(arr.ndim - 1)) #sum over all but last axis