dask.array.apply_along_axis
dask.array.apply_along_axis¶
- dask.array.apply_along_axis(func1d, axis, arr, *args, dtype=None, shape=None, **kwargs)[源代码]¶
沿给定轴对1-D切片应用函数。
此文档字符串是从 numpy.apply_along_axis 复制的。
Dask 版本可能存在一些不一致性。
这是通过
dask.array.map_blocks()实现的numpy.apply_along_axis()的阻塞变体。- 参数
- func1d函数 (M,) -> (Nj…)
此函数应接受一维数组。它将应用于沿指定轴的 arr 的一维切片。
- 轴整数
沿其对 arr 进行切片的轴。
- arrndarray (Ni…, M, Nk…)
输入数组。
- 参数任何
func1d 的额外参数。
- kwargs任何
func1d 的附加命名参数。
1.9.0 新版功能.
- 返回
- 出ndarray (Ni…, Nj…, Nk…)
输出数组。out 的形状与 arr 的形状相同，除了沿 axis 维度。该轴被移除，并替换为与 func1d 返回值形状相等的新维度。因此，如果 func1d 返回一个标量，out 将比 arr 少一个维度。
参见
apply_over_axes在多个轴上重复应用函数。
注释
如果 dtype 或 shape 没有提供，Dask 会尝试通过在虚拟数组上调用 func1d 来确定它们。这可能会为 dtype 或 shape 产生不正确的值，因此我们建议提供它们。
执行 func1d(a, *args, **kwargs) 其中 func1d 对 1-D 数组进行操作，而 a 是沿 axis 对 arr 进行 1-D 切片的结果。
这等同于（但比以下使用 ndindex 和 s_ 更快），它将
ii、jj和kk分别设置为一个索引元组:Ni, Nk = a.shape[:axis], a.shape[axis+1:] for ii in ndindex(Ni): for kk in ndindex(Nk): f = func1d(arr[ii + s_[:,] + kk]) Nj = f.shape for jj in ndindex(Nj): out[ii + jj + kk] = f[jj]
同样地，消除内部循环，这可以表示为:
Ni, Nk = a.shape[:axis], a.shape[axis+1:] for ii in ndindex(Ni): for kk in ndindex(Nk): out[ii + s_[...,] + kk] = func1d(arr[ii + s_[:,] + kk])
示例
>>> import numpy as np >>> def my_func(a): ... """Average first and last element of a 1-D array""" ... return (a[0] + a[-1]) * 0.5 >>> b = np.array([[1,2,3], [4,5,6], [7,8,9]]) >>> np.apply_along_axis(my_func, 0, b) array([4., 5., 6.]) >>> np.apply_along_axis(my_func, 1, b) array([2., 5., 8.])
对于返回一维数组的函数，outarr 的维度数与 arr 相同。
>>> b = np.array([[8,1,7], [4,3,9], [5,2,6]]) >>> np.apply_along_axis(sorted, 1, b) array([[1, 7, 8], [3, 4, 9], [2, 5, 6]])
对于返回高维数组的函数，这些维度将插入到 axis 维度所在的位置。
>>> b = np.array([[1,2,3], [4,5,6], [7,8,9]]) >>> np.apply_along_axis(np.diag, -1, b) array([[[1, 0, 0], [0, 2, 0], [0, 0, 3]], [[4, 0, 0], [0, 5, 0], [0, 0, 6]], [[7, 0, 0], [0, 8, 0], [0, 0, 9]]])