Numpy - 总结一个向量列表

Question

我试图在列表中总结一个NumPy向量列表。 （在这个例子中，它是2个项目的列表，但在我的情况下，列表可以是任何大小。）如何将它们加入到新的向量中？

a = np.array([100, 100])
b = np.array([200, 200])
my_list = [a, b]

ab = np.add(my_list)

np.add(a, b)有效，但它不是列表。 我已经尝试了np.add(*my_list)和np.add(np.array(my_list))以及np.add(np.array([my_list])) ，但没有任何成功。 这样做的正确方法是什么？ 谢谢！

Answer 1

解决方案1 np.add.reduce()

您可以使用np.add的reduce属性：

a = np.array([100, 100])
b = np.array([200, 200])
c = np.array([1000, 2000])
L = [a, b, c]
np.add.reduce(L)

结果是：

array([1300, 2300])

所有带有两个in-arguments的通用函数都有一个reduce属性，它将这个函数应用为reduce ，即：

np.add.reduce(L)

变为：

np.add(np.add(L[0], L[1]), L[2])

如果列表L变大，则添加更多括号和相应的np.add调用。

来自文档：

文档字符串：

  reduce(a, axis=0, dtype=None, out=None, keepdims=False) 

通过沿一个轴应用ufunc将a的维数减1。

解决方案2 np.sum()

或者，您可以沿第一个轴使用np.sum ：

>>> np.sum(L, axis=0)
array([1300, 2300

性能

两者的表现似乎都是一样的。

对于小型阵列：

a = np.array([100, 100])
b = np.array([200, 200])
c = np.array([1000, 2000])
L = [a, b, c, a, b, c, a, b, c]

reduce更快一点：

%timeit np.sum(L, axis=0)

10000 loops, best of 3: 20.7 µs per loop

%timeit np.add.reduce(L)
100000 loops, best of 3: 15.7 µs per loop

对于大型阵列：

size = int(1e6)
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
L = [a, b, c, a, b, c, a, b, c]

没有区别：

%timeit np.sum(L, axis=0)
10 loops, best of 3: 41.5 ms per loop

%timeit np.add.reduce(L)
10 loops, best of 3: 41.9 ms per loop

Answer 2

你是这个意思吗？

import numpy as np

a = np.array([100, 100])
b = np.array([200, 200])
my_list = [a, b]

# add them up "vertically"

print np.vstack(my_list).sum(axis=0)

print np.vstack(tuple(my_list)).sum(axis=0)  # I thought it had to be a tuple but apparently not!


[300 300]
[300 300]

Answer 3

你可以使用np.hstack或np.concatenate ：

l = [a, b]

In [560]: np.hstack(l)
Out[560]: array([100, 100, 200, 200])

In [561]: np.concatenate(l)
Out[561]: array([100, 100, 200, 200])

Answer 4

可能是减少的理想候选人

>>> a = np.array([100, 100])
>>> b = np.array([200, 200])
>>> c = np.array([300, 300])
>>> reduce(lambda x,y: np.add(x,y), [a,b,c])
array([600, 600])