假設我有一個陣列：
x = np.array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])
還有一個多標簽面具：
labels = np.array([[0, 0, 2],
[1, 1, 2],
[1, 1, 2]])
我的目標是將 的條目x匯總在一起，按labels. 例如：
n_labels = np.max(labels) 1
out = np.empty(n_labels)
for label in range(n_labels):
mask = labels == label
out[label] = np.sum(x[mask])
>>> out
np.array([1, 20, 15])
但是，隨著x變n_labels大，我認為這是低效的。每次迭代，您只是將 的條目數的一小部分相加x，但仍然重新計算所有（在運算式中）的掩碼，然后對所有（在labels運算式中labels == label）進行索引。有沒有更有效的方法來做到這一點并變得更大？xx[mask]xn_labels
uj5u.com熱心網友回復：
您可以使用bincount權重：
np.bincount(labels.ravel(), weights=x.ravel())
出去：
array([ 1., 20., 15.])
uj5u.com熱心網友回復：
你真的沒有理由對 2D 陣列進行操作，所以先解開它們：
labels = labels.ravel()
x = x.ravel()
如果您的標簽已經是索引，則可以與andnp.argsort一起使用：np.diffnp.add.reduceat
index = labels.argsort()
splits = np.r_[0, np.flatnonzero(np.diff(labels[index])) 1]
result = np.add.reduceat(x[index], splits)
labels[index]是排序后的索引。每當這種情況發生變化時，您就會進入一個新組，并且diff是非零的。這就是np.flatnonzero(np.diff(labels[index]))為您找到的。由于reduceat在運行結束后采用停止索引，因此您需要添加一個。np.r_允許您輕松地將零添加到一維陣列，這是reduceat考慮 t 所必需的，并且還添加了零。并且還添加了零。他第一次運行（最后一次始終是自動的）。
在運行之前reduceat，您需要訂購x由 定義的運行labels，這就是這樣x[index]做的。
uj5u.com熱心網友回復：
您可以將 2D 陣列與另一種緩慢且過度設計的方法一起使用np.add.at
sums = np.zeros(labels.max() 1, x.dtype)
np.add.at(sums, labels, x)
sums
輸出
array([ 1, 20, 15])
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/488974.html
上一篇：按值從nd-array中洗掉行