快速获取.npy数组中每N行的平均值

Question

我有一个非常大的蒙版NumPy数组（ originalArray ），有很多行和两列。 我想取originalArray中每两行的平均值并构建一个newArray ，其中每行是originalArray中两行的平均值（因此newArray行数是originalArray一半）。 这应该是一件简单的事情，但下面的脚本非常慢。 非常感谢社区的任何建议。

newList = []
for i in range(0, originalArray.shape[0], 2):
    r = originalArray[i:i+2,:].mean(axis=0)
    newList.append(r)
newArray = np.asarray(newList)

必须有一种更优雅的方式来做到这一点。 非常感谢！

Answer 1

两个值a和b的平均值是0.5*(a+b)
因此你可以这样做：

newArray = 0.5*(originalArray[0::2] + originalArray[1::2])

它将所有两个连续行相加，最后将每个元素乘以0.5 。

因为在标题中你要求平均N行，这里有一个更通用的解决方案：

def groupedAvg(myArray, N=2):
    result = np.cumsum(myArray, 0)[N-1::N]/float(N)
    result[1:] = result[1:] - result[:-1]
    return result

n元素的平均值的一般形式是sum([x1,x2,...,xn])/n 。 向量v的元素m到m+n的和与从cumsum(v)第m+n个元素中减去第m-1个元素相同。 除非m为0，否则在这种情况下你不会减去任何东西（结果[0]）。
这就是我们在这里利用的。 此外，因为一切都是线性的，所以我们除以N地方并不重要，所以我们在开始时做得很好，但这只是品味问题。

如果最后一个组的元素少于N ，则将完全忽略它。 如果你不想忽略它，你必须特别对待最后一组：

def avg(myArray, N=2):
    cum = np.cumsum(myArray,0)
    result = cum[N-1::N]/float(N)
    result[1:] = result[1:] - result[:-1]

    remainder = myArray.shape[0] % N
    if remainder != 0:
        if remainder < myArray.shape[0]:
            lastAvg = (cum[-1]-cum[-1-remainder])/float(remainder)
        else:
            lastAvg = cum[-1]/float(remainder)
        result = np.vstack([result, lastAvg])

    return result

Answer 2

您的问题（每两行有两列的平均值）：

>>> a = np.reshape(np.arange(12),(6,2))
>>> a
array([[ 0,  1],
       [ 2,  3],
       [ 4,  5],
       [ 6,  7],
       [ 8,  9],
       [10, 11]])
>>> a.transpose().reshape(-1,2).mean(1).reshape(2,-1).transpose()
array([[  1.,   2.],
       [  5.,   6.],
       [  9.,  10.]])

其他尺寸（每四行平均三列）：

>>> a = np.reshape(np.arange(24),(8,3))
>>> a
array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14],
       [15, 16, 17],
       [18, 19, 20],
       [21, 22, 23]])
>>> a.transpose().reshape(-1,4).mean(1).reshape(3,-1).transpose()
array([[  4.5,   5.5,   6.5],
       [ 16.5,  17.5,  18.5]])

用于获取具有c列的2D数组a的r行的平均值的通用公式：

a.transpose().reshape(-1,r).mean(1).reshape(c,-1).transpose()

Answer 3

import numpy as np

def av(array):
    return  1. * np.sum(array.reshape(1. * array.shape[0] / 2,2, array.shape[1]),axis = 1) / array.shape[1]

a = np.array([[1,1],[2,2],[3,3],[4,4]])

print av(a)

>> [[ 1.5  1.5] [ 3.5  3.5]]