在numpy中对数组的子集进行平均
我有一个形状不规则的阵列（10,10,10,60）。 尺寸可以是任意的，但这只是一个例子。
我想通过在一些子集上取平均值来减少这个数组(10, 10, 10, 20) ，我有两种情况：
1 ：取每个(10, 10, 10, 20)块的平均值，即具有三个(10, 10, 10, 20)块，并取三者之间的平均值。 这可以通过以下方式完成： m = np.mean((x[..., :20], x[..., 20:40], x[...,40:60]), axis=3) 。 我的问题是，如果没有编写一些显式循环，最后一个维度是任意的，我怎么能生成这个？ 所以，我可以做一些事情：
x = np.random.rand(10, 10, 10, 60)
result = np.zeros((10, 10, 10, 20))
offset = 20
loops = x.shape[3] // offset
for i in range(loops):
index = i * offset
result += x[..., index:index+offset]
result = result / loops
然而，这似乎不太pythonic，我想知道是否有一个更优雅的方式来做到这一点。
2 ：另一种情况是我想将它分解成10个形状的阵列(10, 10, 10, 2, 3) ，然后在这10个阵列之间的第5维上取平均值，然后将其重新设置为(10, 10, 10, 20)阵列的原始计划。 我可以重塑阵列，然后再次取平均值并再次重塑，但第二部分看起来相当不雅。
您可以将最后一个坐标轴重新分成两部分，这样第一个坐标轴的长度就是所需坐标的数量，然后沿着第二个坐标轴获取平均值/平均值 -
m,n,r = x.shape[:3]
out = x.reshape(m,n,r,3,-1).mean(axis=-2) # 3 is no. of blocks
或者，我们可以引入np.einsum以显着提升性能 -
In [200]: x = np.random.rand(10, 10, 10, 60)
In [201]: %timeit x.reshape(m,n,r,3,-1).mean(axis=-2)
1000 loops, best of 3: 430 µs per loop
In [202]: %timeit np.einsum('ijklm->ijkm',x.reshape(m,n,r,3,-1))/3.0
1000 loops, best of 3: 214 µs per loop