У меня есть массив numpy в форме:
(11L, 5L, 5L)
Я хочу вычислить среднее значение по 25 элементам каждого «среза» массива [0,:,:], [1,:,:] и т. д., возвращая 11 значений.
Это кажется глупым, но я не могу понять, как это сделать. Я думал, что это сделает функция mean(axis=x), но я перепробовал все возможные комбинации осей, и ни одна из них не дала мне желаемого результата.
Очевидно, я могу сделать это, используя цикл for и нарезку, но наверняка есть лучший способ?
Используйте кортеж для оси:
>>> a = np.arange(11*5*5).reshape(11,5,5)
>>> a.mean(axis=(1,2))
array([ 12., 37., 62., 87., 112., 137., 162., 187., 212.,
237., 262.])
Изменить: это работает только с numpy версии 1.7+.
Вы можете reshape(11, 25), а затем вызвать mean только один раз (быстрее):
a.reshape(11, 25).mean(axis=1)
Кроме того, вы можете вызвать np.mean дважды (на моем компьютере примерно в 2 раза медленнее):
a.mean(axis=2).mean(axis=1)
Всегда можно использовать np.einsum:
>>> a = np.arange(11*5*5).reshape(11,5,5)
>>> np.einsum('...ijk->...i',a)/(a.shape[-1]*a.shape[-2])
array([ 12, 37, 62, 87, 112, 137, 162, 187, 212, 237, 262])
Работает с массивами более высокой размерности (все эти методы будут работать, если метки осей будут изменены):
>>> a = np.arange(10*11*5*5).reshape(10,11,5,5)
>>> (np.einsum('...ijk->...i',a)/(a.shape[-1]*a.shape[-2])).shape
(10, 11)
Быстрее загружаться:
a = np.arange(11*5*5).reshape(11,5,5)
%timeit a.reshape(11, 25).mean(axis=1)
10000 loops, best of 3: 21.4 us per loop
%timeit a.mean(axis=(1,2))
10000 loops, best of 3: 19.4 us per loop
%timeit np.einsum('...ijk->...i',a)/(a.shape[-1]*a.shape[-2])
100000 loops, best of 3: 8.26 us per loop
Масштабируется немного лучше, чем другие методы, по мере увеличения размера массива.
Использование dtype=np.float64 не изменяет заметно вышеуказанные тайминги, так что просто перепроверьте:
a = np.arange(110*50*50,dtype=np.float64).reshape(110,50,50)
%timeit a.reshape(110,2500).mean(axis=1)
1000 loops, best of 3: 307 us per loop
%timeit a.mean(axis=(1,2))
1000 loops, best of 3: 308 us per loop
%timeit np.einsum('...ijk->...i',a)/(a.shape[-1]*a.shape[-2])
10000 loops, best of 3: 145 us per loop
Также кое-что интересное:
%timeit np.sum(a) #37812362500.0
100000 loops, best of 3: 293 us per loop
%timeit np.einsum('ijk->',a) #37812362500.0
100000 loops, best of 3: 144 us per loop
np.einsum с использованием аккумулятора int вместо float или double, не уверен, что np.mean использует. Вычислять статистику рискованно, так как вы можете переполнить аккумулятор и получить очень неправильные результаты. Предоставление np.einsum dtype=np.float или dtype=np.double сделало бы вычисление более надежным и (я предполагаю здесь) более похожим по производительности на стандартные функции. Но np.einsum по-прежнему очень крутая функция, так что вы получаете свой +1...
- person Jaime; 21.08.2013
einsum на самом деле быстрее для любого размера и dtype. Я обновил пост с np.double таймингами.
- person Daniel; 21.08.2013
sum() не дает той же скорости, что и einsum()... очень хорошо замечено... на самом деле вторым более быстрым методом вычисления среднего было бы: timeit a.sum(axis=(1,2))/a.shape[-1]/a.shape[-2]
- person Saullo G. P. Castro; 21.08.2013
np.einsum() быстрее, чем np.sum()? открыть тему для более подробного обсуждения...
- person Saullo G. P. Castro; 21.08.2013
a.sum(axis=(1,2)... эквивалентно по времени функции a.mean(axis=(1,2)).
- person Daniel; 21.08.2013
