numpy.ufunc.reduceat#

方法

ufunc.reduceat(array, indices, axis=0, dtype=None, out=None)#

在单个轴上使用指定的切片执行（本地）归约.

对于 range(len(indices)) 中的 i,`reduceat` 计算 ufunc.reduce(array[indices[i]:indices[i+1]]),这成为最终结果中与 axis 平行的第 i 个广义”行”（例如,在 2-D 数组中,如果 axis = 0,它成为第 i 行,但如果 axis = 1,它成为第 i 列）.有三个例外情况:

  • 当 i = len(indices) - 1 （即对于最后一个索引）,``indices[i+1] = array.shape[axis]``.

  • 如果 indices[i] >= indices[i + 1],第 i 个广义”行” 仅仅是 array[indices[i]].

  • 如果 indices[i] >= len(array) 或 indices[i] < 0,则会引发错误.

输出的大小取决于 indices 的大小,并且可能比 array 更大（如果 len(indices) > array.shape[axis] 发生这种情况）.

参数:
arrayarray_like

要操作的数组.

indicesarray_like

配对的索引,用逗号分隔（不是冒号）,指定要减少的切片.

axisint, 可选

要沿其应用reduceat的轴.

dtype数据类型代码,可选

用于执行操作的数据类型.默认为 out 的数据类型（如果给出）,否则为 array 的数据类型（尽管在某些情况下会向上转换以保持精度,例如对于整数或布尔输入的 numpy.add.reduce）.

outndarray、None 或 ndarray 和 None 的元组,可选

存储结果的位置.如果没有提供或为 None,则返回一个新分配的数组.为了与 ufunc.__call__ 保持一致,如果作为关键字提供,这可能会被包装在一个 1 元素的元组中.

在 1.13.0 版本发生变更: 关键字参数允许使用元组.

返回:
rndarray

缩减后的值.如果提供了 out,`r` 是对 out 的引用.

备注

一个描述性示例:

如果 array 是 1-D,函数 ufunc.accumulate(array) 与 ufunc.reduceat(array, indices)[::2] 相同,其中 indices 是 range(len(array) - 1) 并在每隔一个元素中放置一个零:indices = zeros(2 * len(array) - 1),``indices[1::2] = range(1, len(array))``.

不要被这个属性的名字所迷惑:reduceat(array) 不一定比 array 小.

示例

要取四个连续值的运行总和:

>>> import numpy as np
>>> np.add.reduceat(np.arange(8),[0,4, 1,5, 2,6, 3,7])[::2]
array([ 6, 10, 14, 18])

一个二维示例:

>>> x = np.linspace(0, 15, 16).reshape(4,4)
>>> x
array([[ 0.,   1.,   2.,   3.],
       [ 4.,   5.,   6.,   7.],
       [ 8.,   9.,  10.,  11.],
       [12.,  13.,  14.,  15.]])

# reduce such that the result has the following five rows:
# [row1 + row2 + row3]
# [row4]
# [row2]
# [row3]
# [row1 + row2 + row3 + row4]

>>> np.add.reduceat(x, [0, 3, 1, 2, 0])
array([[12.,  15.,  18.,  21.],
       [12.,  13.,  14.,  15.],
       [ 4.,   5.,   6.,   7.],
       [ 8.,   9.,  10.,  11.],
       [24.,  28.,  32.,  36.]])

# reduce such that result has the following two columns:
# [col1 * col2 * col3, col4]

>>> np.multiply.reduceat(x, [0, 3], 1)
array([[   0.,     3.],
       [ 120.,     7.],
       [ 720.,    11.],
       [2184.,    15.]])
On this page