numpy.ufunc.reduceat#

方法

ufunc.reduceat(array, indices, axis=0, dtype=None, out=None)#

在单个轴上对指定切片执行（局部）规约。

对于 range(len(indices)) 中的每个 i，reduceat 会计算 ufunc.reduce(array[indices[i]:indices[i+1]])，并将其作为最终结果中平行于 axis 的第 i 个广义“行”（例如，在二维数组中，如果 axis = 0，它就是第 i 行；但如果 axis = 1，它就是第 i 列）。此规则有三个例外：

  • 当 i = len(indices) - 1（即最后一个索引）时，indices[i+1] = array.shape[axis]。

  • 如果 indices[i] >= indices[i + 1]，则第 i 个广义“行”简单地为 array[indices[i]]。

  • 如果 indices[i] >= len(array) 或 indices[i] < 0，则会引发错误。

输出的形状取决于 indices 的大小，并且可能大于 array（如果 len(indices) > array.shape[axis]，就会发生这种情况）。

参数:
arrayarray_like

要进行操作的数组。

indicesarray_like

成对的索引（用逗号而非冒号分隔），指定要规约（reduce）的切片。

axisint, optional

执行 reduceat 操作的轴。

dtype数据类型代码，可选

执行操作所使用的数据类型。如果给定了 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型以保持精度，例如整数或布尔值输入的 numpy.add.reduce）。

outndarray, None, or tuple of ndarray and None, optional

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，如果作为关键字参数传递，它可以是省略号（out=...，其效果与 None 相同，因为总是会返回一个数组），或者是一个单元素元组。

返回:
rndarray

规约后的值。如果提供了 out，则 r 是对 out 的引用。

备注

描述性示例

如果 array 是一维的，函数 ufunc.accumulate(array) 等同于 ufunc.reduceat(array, indices)[::2]，其中 indices 是 range(len(array) - 1)，并在每个间隔元素处放置一个零：indices = zeros(2 * len(array) - 1)，indices[1::2] = range(1, len(array))。

不要被这个属性的名称所迷惑：reduceat(array) 的结果不一定比 array 小。

示例

计算四个连续值的累加和

>>> import numpy as np
>>> np.add.reduceat(np.arange(8),[0,4, 1,5, 2,6, 3,7])[::2]
array([ 6, 10, 14, 18])

一个二维示例

>>> x = np.linspace(0, 15, 16).reshape(4,4)
>>> x
array([[ 0.,   1.,   2.,   3.],
       [ 4.,   5.,   6.,   7.],
       [ 8.,   9.,  10.,  11.],
       [12.,  13.,  14.,  15.]])

# reduce such that the result has the following five rows:
# [row1 + row2 + row3]
# [row4]
# [row2]
# [row3]
# [row1 + row2 + row3 + row4]

>>> np.add.reduceat(x, [0, 3, 1, 2, 0])
array([[12.,  15.,  18.,  21.],
       [12.,  13.,  14.,  15.],
       [ 4.,   5.,   6.,   7.],
       [ 8.,   9.,  10.,  11.],
       [24.,  28.,  32.,  36.]])

# reduce such that result has the following two columns:
# [col1 * col2 * col3, col4]

>>> np.multiply.reduceat(x, [0, 3], 1)
array([[   0.,     3.],
       [ 120.,     7.],
       [ 720.,    11.],
       [2184.,    15.]])
在此页面