sempre possibile utilizzare 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])
Opere su array di dimensione superiore (tutti questi metodi sarebbero se le etichette degli assi vengono modificati):
>>> 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)
più veloce per l'avvio:
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
Le scale sono leggermente migliori degli altri metodi con l'aumentare della dimensione dell'array.
Utilizzando dtype=np.float64
non cambia i tempi di cui sopra sensibilmente, così giusto per doppio controllo:
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
anche qualcosa che è interessante:
%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
Funziona? Lo si potrebbe pensare per 1.7 e in seguito, ma i documenti dicono ancora solo un asse. – Jaime
Non ho pensato alla versione numpy, ho 1.7.1 e funziona. Non è nella documentazione ma il changelog parla di ufuncs: http://www.softpedia.com/progChangelog/Numpy-Changelog-103892.html –
Cool, non sapevo che fosse stato aggiunto! – lmjohns3