numpy.ufunc.reduce#
方法
- ufunc.reduce(array, axis=0, dtype=None, out=None, keepdims=False, initial=<no value>, where=True)#
沿着一个轴应用 ufunc,将
array
的维度降低一维。令 \(array.shape = (N_0, ..., N_i, ..., N_{M-1})\)。则 \(ufunc.reduce(array, axis=i)[k_0, ..,k_{i-1}, k_{i+1}, .., k_{M-1}]\) = 对 j 遍历 \(range(N_i)\) 的结果,累积地将 ufunc 应用于每个 \(array[k_0, ..,k_{i-1}, j, k_{i+1}, .., k_{M-1}]\)。对于一维数组,reduce 生成的结果等价于
r = op.identity # op = ufunc for i in range(len(A)): r = op(r, A[i]) return r
例如,add.reduce() 等价于 sum()。
- 参数:
- arrayarray_like
要操作的数组。
- axisNone 或 int 或 int 元组,可选
执行约简的轴或轴集。默认值(axis = 0)是在输入数组的第一维上执行约简。axis 可以为负数,在这种情况下,它从最后一个轴到第一个轴进行计数。
版本 1.7.0 中的新内容。
如果为 None,则在所有轴上执行约简。如果为 int 元组,则在多个轴上执行约简,而不是像以前那样在一个轴或所有轴上执行。
对于非交换或非结合运算,在多个轴上进行约简没有明确的定义。ufunc 目前不会在此情况下引发异常,但将来可能会这样做。
- dtype数据类型代码,可选
用于执行运算的数据类型。如果提供了
out
,则默认为out
的数据类型;否则默认为array
的数据类型(尽管在某些情况下会向上转换以保留精度,例如整数或布尔输入的numpy.add.reduce
)。- outndarray、None 或 ndarray 和 None 的元组,可选
存储结果的位置。如果未提供或为 None,则返回一个新分配的数组。为了与
ufunc.__call__
保持一致,如果作为关键字给出,则可以使用 1 元素元组将其包装起来。版本 1.13.0 中的更改: 元组允许用于关键字参数。
- keepdimsbool,可选
如果将其设置为 True,则约简的轴将作为大小为 1 的维度保留在结果中。使用此选项,结果将针对原始
array
正确广播。版本 1.7.0 中的新内容。
- initial标量,可选
用于开始约简的值。如果 ufunc 没有恒等式或 dtype 为对象,则默认为 None - 否则默认为 ufunc.identity。如果给定
None
,则使用约简的第一个元素,如果约简为空,则抛出错误。版本 1.15.0 中的新内容。
- wherebool 的 array_like,可选
一个布尔数组,其广播以匹配
array
的维度,并选择要包含在约简中的元素。请注意,对于像minimum
这样未定义恒等式的 ufunc,必须同时传入initial
。版本 1.17.0 中的新内容。
- 返回值:
- rndarray
约简后的数组。如果提供了 out,则 r 是对它的引用。
示例
>>> import numpy as np >>> np.multiply.reduce([2,3,5]) 30
多维数组示例
>>> X = np.arange(8).reshape((2,2,2)) >>> X array([[[0, 1], [2, 3]], [[4, 5], [6, 7]]]) >>> np.add.reduce(X, 0) array([[ 4, 6], [ 8, 10]]) >>> np.add.reduce(X) # confirm: default axis value is 0 array([[ 4, 6], [ 8, 10]]) >>> np.add.reduce(X, 1) array([[ 2, 4], [10, 12]]) >>> np.add.reduce(X, 2) array([[ 1, 5], [ 9, 13]])
您可以使用
initial
关键字参数用不同的值初始化约简,并使用where
选择要包含的特定元素>>> np.add.reduce([10], initial=5) 15 >>> np.add.reduce(np.ones((2, 2, 2)), axis=(0, 2), initial=10) array([14., 14.]) >>> a = np.array([10., np.nan, 10]) >>> np.add.reduce(a, where=~np.isnan(a)) 20.0
允许在通常会失败的空数组上进行约简,即对于没有恒等式的 ufunc。
>>> np.minimum.reduce([], initial=np.inf) inf >>> np.minimum.reduce([[1., 2.], [3., 4.]], initial=10., where=[True, False]) array([ 1., 10.]) >>> np.minimum.reduce([]) Traceback (most recent call last): ... ValueError: zero-size array to reduction operation minimum which has no identity