将numpy数组的rebin优化为任意二进制大小
将numpy数组的rebin优化为任意二进制大小
提问于 2016-12-06 12:29:35
我是从this问题开始构建的。我正在使用发布在那里的解决方案重新绑定一个numpy数组，并为额外的部分添加一个小的附加项：
from numpy import arange,append
x = arange(20)
x = x[:(x.shape[0]/bin)*bin].reshape((x.shape[0]//bin,-1)).mean(1)
x= append(x,x[(x.shape[0]/bin)*bin:].mean())这是为了处理x.shape[0]的非除数桶。append将剩余单元格的平均值相加。问题是，我在这里做了很多数组，除了内存之外，这不可能是运行时高效的。有更好的办法吗？我甚至在考虑转换到列表，重新绑定，最后使用数组(结果)并返回它。
为了清楚地了解bin=6，第一行生成：
array([ 2.5, 8.5, 14.5])第二条将附加如下：
18.5在mean运算符之前，生成的矩阵如下：
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17]])第二项是：
array([18, 19])最后的结果当然是：
array([ 2.5, 8.5, 14.5, 18.5])回答 2
Stack Overflow用户
回答已采纳
发布于 2016-12-06 13:01:32
方法1 : --如果您关心内存，最好先初始化输出数组，然后分两个步骤给它赋值，就像原始代码中的那样，但不附加值，如下所示-
n = x.size//bin
out = np.empty((x.size-1 + bin)//bin)
out[:n] = x[:bin*n].reshape(-1,bin).mean(1)
out[n:] = x[-x.size+n*bin:].mean()方法2 :，这是另一种关注np.add.reduceat内存效率的方法-
out = np.add.reduceat(x, bin*np.arange((x.size-1+bin)//bin)).astype(float)
out[:n] /= bin
out[n:] /= x.size - n*bin 或者，另一种获得分组求和的方法，如用np.add.reduceat()完成的，应该是使用np.bincount -
np.bincount(np.arange(x.size)//bin,x)Stack Overflow用户
发布于 2016-12-06 13:18:25
如果你绝对想要一个数组的话，这应该可以用
def rebin(x,bin):
x_pad=np.lib.pad(x,(0,bin-x.size%bin), 'constant').reshape(bin,-1)
return np.hstack((np.mean(x_pad, axis=1)[:-1],np.sum(x_pad[-1])/(x.size%bin)))但我认为这样做更干净更容易
def rebin(x,bin):
return np.array([a.mean() for a in np.array_split(x,bin)])但那不会更快。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/40995467
复制相关文章
相似问题
腾讯云开发者
