Get znaczy 2D plasterka tablicy 3D w numpy

Question

mam numpy tablicę kształcie:

(11L, 5L, 5L) 

Chcę obliczyć średnią ponad 25 elementów każdego „plaster” tablicy [ 0,:,:], [1,:,:] itd., Zwracając 11 wartości.

Wydaje się to głupie, ale nie mogę się dowiedzieć, jak to zrobić. Myślałem, że funkcja mean(axis=x) to zrobi, ale wypróbowałem wszystkie możliwe kombinacje osi i żadne z nich nie dało mi pożądanego wyniku.

Oczywiście mogę to zrobić za pomocą pętli for i krojenia, ale na pewno jest lepszy sposób?

Answer 1

Użyj krotki dla osi:

>>> 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.]) 

Edytuj: This wor ks tylko z numpy w wersji 1.7+.

Answer 2

Można reshape(11, 25) a następnie zadzwonić mean tylko raz (szybciej):

a.reshape(11, 25).mean(axis=1) 

Alternatywnie, można zadzwonić np.mean dwukrotnie (około 2x wolniej na moim komputerze):

a.mean(axis=2).mean(axis=1) 

Answer 3

zawsze można użyć 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]) 

Works na wyższych tablic wymiarowych (wszystkie z tych metod byłoby gdyby etykiety osi są zmienione):

>>> 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) 

Szybciej do bagażnika:

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 

Skaluje się nieco lepiej niż inne metody w miarę wzrostu rozmiaru tablicy.

Korzystanie dtype=np.float64 ma znacznie nie zmieni powyższe czasy, więc po prostu do podwójnego sprawdzenia:

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 

również coś, co jest ciekawe:

%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