速度是一個值得關注的行的numpy平均值

我想做的是numpy矩陣行的意思。因此，對於輸入：速度是一個值得關注的行的numpy平均值

array([[ 1, 1, -1], 
     [ 2, 0, 0], 
     [ 3, 1, 1], 
     [ 4, 0, -1]])

我的輸出將是：

array([[ 0.33333333], 
     [ 0.66666667], 
     [ 1.66666667], 
     [ 1.  ]])

我想出了一個解決方案result = array([[x] for x in np.mean(my_matrix, axis=1)])，但該功能將在40rows X 10-300的矩陣稱爲很多次列，所以我想，使其更快，這似乎執行緩慢

我相信你想簡單地說：

>>> np.mean(a, axis=1) 
array([ 0.33333333, 0.66666667, 1.66666667, 1.  ])

2014-11-21 11:25:04 wim

你可以做這樣的事情：

>>> my_matrix.mean(axis=1)[:,np.newaxis] 
array([[ 0.33333333], 
     [ 0.66666667], 
     [ 1.66666667], 
     [ 1.  ]])

2014-11-21 11:25:06

注意，在numpy的更新版本，你可以說'my_matrix.mean（軸= 1，keepdims = TRUE）'，如果你想保持尺寸縮小爲一個微不足道的（即長度爲1）尺寸。（我不記得哪個版本增加了這個功能。） – 2014-11-21 15:22:42

如果矩陣是新鮮的，獨立的沒有太多可以節省，因爲計算平均值的唯一方法是實際求和的數字。

但是，如果矩陣是從單個固定數據集的部分視圖中獲得的（例如，您正在計算移動平均值），則可以使用總和表。例如後：

st = data.cumsum(0)

可以計算索引x0和x1之間的元件的平均與

avg = (st[x1] - st[x0])/(x1 - x0)

在O（1）（即，計算時間不取決於有多少元件你是平均）。

你甚至可以使用numpy的直接計算與所述移動平均的陣列與：

res = (st[n:] - st[:-n])/n

此方法甚至可以擴展到更高維度，例如在在O矩形計算值的平均值（1 ）與

st = data.cumsum(0).cumsum(1) 
rectsum = (st[y1][x1] + st[y0][x0] - st[y0][x1] - st[y1][x0])

2014-11-21 11:38:13 6502

回答