Python：分层切片答案

【问题标题】：Python: Hierarchical SlicingPython：分层切片
【发布时间】：2023-04-04 03:45:01
【问题描述】：

是否有更 Pythonic/numpythonic 的方式来进行某种嵌套/分层切片，即更漂亮的版本：

_sum = 0
for i in np.arange(n):
   _sum += someFunc(A[i,:])

基本上我想将someFunc（它采用任何形状的数组并返回一个数字）映射到行上，然后对结果求和。

我一直在考虑np.sum(someFunc(A[:,:]))，但据我了解，这只会将someFunc映射到整个数组。

【问题讨论】：

【解决方案1】：

如果我理解正确，您可以使用这样的列表推导：

sum([someFunc(A[i:]) for i in np.arange(n)])

【讨论】：

【解决方案2】：

定义一个函数来计算数组中的 1：

def foo(x):
    return (x==1).sum()

还有一个二维数组：

In [431]: X=np.array([[1,0,2],[3,1,1],[0,2,3]])

我可以将它迭代地应用于行

In [432]: [foo(i) for i in X]   # iterate on 1st dimension
Out[432]: [1, 2, 0]
In [433]: [foo(X[i,:]) for i in range(3)]
Out[433]: [1, 2, 0]

并使用sum（此处为 Python 总和）获取总计数

In [434]: sum([foo(X[i,:]) for i in range(3)])
Out[434]: 3

正如所写的foo 得到相同的东西应用于整个数组

In [435]: foo(X)
Out[435]: 3

对于行数，使用np.sum 轴控制：

In [440]: np.sum(X==1, axis=1)
Out[440]: array([1, 2, 0])

apply_along_axis 可以对同一种行迭代：

In [438]: np.apply_along_axis(foo,1,X)
Out[438]: array([1, 2, 0])

但是对于这个来说它是矫枉过正的。它对于 3d 或更大的数组更有用，因为在除 nth 之外的所有维度上迭代是很尴尬的。它永远不会比自己进行迭代更快。

如果您可以编写函数来处理整个数组，那显然是最好的。但是，如果您必须对行进行迭代，则没有任何神奇的解决方案。 vectorize 和 frompyfunc 包装函数使用标量值，而不是一维数组。一些row 问题可以通过将行转换为更大的dtype 对象（例如unique 行）来解决。

【讨论】：