Numpy - 總結一個向量列表

Question

我試圖在列表中總結一個NumPy向量列表。 （在這個例子中，它是2個項目的列表，但在我的情況下，列表可以是任何大小。）如何將它們加入到新的向量中？

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。 我已經嘗試了np.add(*my_list)和np.add(np.array(my_list))以及np.add(np.array([my_list])) ，但沒有任何成功。 這樣做的正確方法是什么？ 謝謝！

Answer 1

解決方案1 np.add.reduce()

您可以使用np.add的reduce屬性：

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

結果是：

array([1300, 2300])

所有帶有兩個in-arguments的通用函數都有一個reduce屬性，它將這個函數應用為reduce ，即：

np.add.reduce(L)

變為：

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

如果列表L變大，則添加更多括號和相應的np.add調用。

來自文檔：

文檔字符串：

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

通過沿一個軸應用ufunc將a的維數減1。

解決方案2 np.sum()

或者，您可以沿第一個軸使用np.sum ：

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

性能

兩者的表現似乎都是一樣的。

對於小型陣列：

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更快一點：

%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

對於大型陣列：

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]

沒有區別：

%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

你是這個意思嗎？

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

可能是減少的理想候選人

>>> 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])