我有一个 Numpy 3 轴数组,其元素是 3 维的。我想对它们进行平均并返回相同形状的数组。普通平均函数删除 3 个维度并将其替换为平均值(如预期):
a = np.array([[[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]],
[[0.4, 0.4, 0.4], [0.7, 0.6, 0.8]]], np.float32)
b = np.average(a, axis=2)
# b = [[0.2, 0.3],
# [0.4, 0.7]]
需要结果:
# b = [[[0.2, 0.2, 0.2], [0.3, 0.3, 0.3]],
# [[0.4, 0.4, 0.4], [0.7, 0.7, 0.7]]]
你能优雅地做到这一点吗?还是我只需要在 Python 中迭代数组(与强大的 Numpy 函数相比,这会慢很多)。
您可以将 np.mean 函数的 Dtype 参数设置为一维数组吗?
谢谢。
好吧,注意我还没有数学学硕士学位,但只是玩玩,我想出了:
>>> np.average(a,axis=-1).repeat(a.shape[-1]).reshape(a.shape)
array([[[ 0.2 , 0.2 , 0.2 ],
[ 0.29999998, 0.29999998, 0.29999998]],
[[ 0.40000001, 0.40000001, 0.40000001],
[ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32)
您考虑过使用广播吗?如果您对广播概念不熟悉,这里提供了有关广播的更多信息。
这里是一个使用
broadcast_arrays
的示例,请记住,由 b
生成的 broadcast_arrays
应该被视为只读,如果你想写入它,你应该制作一个副本:
>>> b = np.average(a, axis=2)[:, :, np.newaxis]
>>> b, _ = np.broadcast_arrays(b, a)
>>> b
array([[[ 0.2 , 0.2 , 0.2 ],
[ 0.29999998, 0.29999998, 0.29999998]],
[[ 0.40000001, 0.40000001, 0.40000001],
[ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32)
>>> import numpy as np
>>> a = np.array([[[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]],
... [[0.4, 0.4, 0.4], [0.7, 0.6, 0.8]]], np.float32)
>>> b = np.average(a, axis=2)
>>> b
array([[ 0.2 , 0.29999998],
[ 0.40000001, 0.69999999]], dtype=float32)
>>> c = np.dstack((b, b, b))
>>> c
array([[[ 0.2 , 0.2 , 0.2 ],
[ 0.29999998, 0.29999998, 0.29999998]],
[[ 0.40000001, 0.40000001, 0.40000001],
[ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32)
这里有一个避免复印的方法:
a = a.T
a[:] = a.mean(axis=0)
a = a.T
或者如果您不想覆盖
a
:
b = np.empty_like(a)
b = b.T
b[:] = a.mean(axis=-1).T
b = b.T
这适用于任意轴:
array
是维数组
axis
是平均轴
np.repeat( np.expand_dims( np.mean( array, axis ), axis ), array.shape[axis], axis )
您现在可以在
keepdims=True
中使用
numpy.mean
来保留原始形状:
keepdims:布尔,可选
如果设置为 True,则缩小的轴将作为尺寸为 1 的维度保留在结果中。使用此选项,结果将针对输入数组正确广播。
如果传递默认值,那么keepdims将不会传递给ndarray子类的mean方法,但任何非默认值都会传递。如果子类的方法没有实现 keepdims,则会引发任何异常。
例如:
import numpy as np
a = np.array([[[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]],
[[0.4, 0.4, 0.4], [0.7, 0.6, 0.8]]], np.float32)
z = np.mean(a, axis=2, keepdims=True)
print('a.shape: %s\nz.shape: %s' %(a.shape, z.shape))
输出:
a.shape: (2, 2, 3)
z.shape: (2, 2, 1)