항상 np.einsum 사용할 수 : 높은 차원 배열에
>>> 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])
작품 (이 모든 방법은 축 레이블을 변경 할 경우) :
>>> 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)
빠른 부팅 :
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
배열 크기가 커짐에 따라 다른 방법보다 조금 더 잘 조정됩니다.
그래서 그냥 한 번 확인에 상당히 위의 타이밍을 변경하지 않습니다 dtype=np.float64
사용 : 재미
또한
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
뭔가 :
%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
그것은 작동합니까? 하나는 1.7 이후에 그렇게 생각할 것이지만, 문서는 여전히 하나의 축만을 말합니다. – Jaime
numpy 버전에 대해서는 생각하지 않았지만, 1.7.1이 있으며 작동합니다. 그것은 설명서에 없지만 changelog는 ufuncs에 대해 이야기하고 있습니다. http://www.softpedia.com/progChangelog/Numpy-Changelog-103892.html –
멋지지만, 이것이 추가되었다는 것을 몰랐습니다! – lmjohns3