numpy.ufunc.reduceat#

method

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

在单个轴上使用指定切片执行(局部)reduce.

对于 range(len(indices)) 中的 i, reduceat 计算 ufunc.reduce(array[indices[i]:indices[i+1]]) ,它成为最终结果中与 axis 平行的第 i 个广义"行"(例如,在二维数组中,如果 axis = 0 ,则它成为第 i 行,但如果 axis = 1 ,则它成为第 i 列). 有三个例外情况:

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

  • 如果 indices[i] >= indices[i + 1] ,则第 i 个广义"行"就是 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] ,则会发生这种情况).

参数:
arrayarray_like

要进行操作的数组.

indicesarray_like

成对的索引,用逗号分隔(不是冒号),指定要归约的切片.

轴int, optional

应用 reduceat 的轴.

dtype数据类型代码,可选

用于执行操作的数据类型. 如果给定了 out ,则默认为其数据类型,否则默认为 array 的数据类型(虽然会对某些情况进行向上转型以保持精度,例如对整数或布尔输入进行 numpy.add.reduce ).

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

用于存储结果的位置.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,则可以是省略号 ( out=... ,其效果与 None 相同,因为始终返回一个数组),或者是一个 1 元素元组.

返回:
rndarray

归约后的值. 如果提供了 out ,则 r 是对 out 的引用.

注释

一个描述性的例子:

如果 array 是一维的,则函数 ufunc.accumulate(array) 与 ufunc.reduceat(array, indices)[::2] 相同,其中 indices 是 range(len(array) - 1) ,并且在每个其他元素中放置一个零: 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) 不一定小于 array .

示例

要获取四个连续值的运行总和:

>>> 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.]])
On this page