Среднее значение блока массива numpy 2D
Я хочу найти среднее значение блока 2D-массива в NumPy. Для простоты предположим, что массив выглядит следующим образом:
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]])
Я хочу разделить этот массив на 3 блока размером 2х4, а затем найти среднее значение всех трех блоков (так что форма-это означает 2х4. Первый блок формируется первыми 4 столбцами, следующий-следующими 4 столбцами и так далее. Итак, мои блоки:
array([[0, 1, 2, 3],
[12, 13, 14, 15]])
array([[ 4, 5, 6, 7],
[16, 17, 18, 19]])
array([[ 8, 9, 10, 11],
[20, 21, 22, 23]])
Я могу использовать цикл для этого, но я чувствую, что было бы лучше сначала преобразовать этот массив в 3D массив по reshape а затем используйте mean метод на 3D массиве вдоль третьей оси. Это может быть похоже на этот вопрос.
был бы признателен, если кто-то может предоставить мне:
1). Соответствующая команда Pythonic для выполнения среднего блока даже без преобразования в 3D, если такой трюк существует.
2). Если нет соответствующей команды Pythonic для преобразования 2D в 3D.
3). Понимание было бы более эффективно (с точки зрения пространства) сделать это с помощью цикла или с помощью команды выше.
2 ответов
методы Numpy почти всегда будут бить циклы python, поэтому я собираюсь пропустить ваш 1.
что касается 2, в данном конкретном случае работает следующее:
a = np.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]])
a = a.reshape(2, 3, 4)
>>> a
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]]])
>>> np.mean(a, axis=1)
array([[ 4., 5., 6., 7.],
[ 16., 17., 18., 19.]])
фокус в reshape. Для общего случая, когда вы хотите блоки n столбцы, следующая опция
a = a.reshape((a.shape[0], -1, n))
ваши опасения в 3 в основном необоснованны. reshape возвращает представление исходного массива, а не копию, поэтому преобразование в 3D требуется только изменить shape и strides атрибуты массива, без необходимости копировать какие-либо фактические данные.
редактировать Чтобы убедиться, что reshaping не копирует массив, а возвращает представление, сделайте reshape как
a.shape = a = a.reshape((a.shape[0], -1, n))
пример docs идет по строкам:
>>> a = np.arange(12).reshape(3,4)
>>> b = a.T
>>> b.shape = (12,)
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
AttributeError: incompatible shape for a non-contiguous array
и вообще есть только проблемы, если вы делали transpose, rollaxis, swapaxes или как по вашему матрица.