使用数组作为索引沿轴应用答案

【问题标题】：apply along axis using arrays as indicies使用数组作为索引沿轴应用
【发布时间】：2015-09-17 23:06:02
【问题描述】：

我正在尝试在没有循环的情况下就地执行此功能：

for i in xrange(2):
    trend[i] = np.convolve(dat[i,0], aW3[:,i], 'same').sum()

我最好的尝试如下：

trend[:2] = np.apply_along_axis(
    func1d=lambda x: np.convolve(x, aW3[:,i], 'same').sum(),
    axis=1,
    arr=dat[:2,0])

但我不知道如何正确索引 aW3[:,i] 到 func1d

使用的常量

aW3 = np.array( [[ 0.259,  0.407],
                 [ 0.37 ,  0.407],
                 [ 0.259,  0.185],
                 [ 0.111,  0.   ]])
dat = np.array([0.02360784,  0.0227628 ,  0.0386366 ,  0.03338596,  0.03141621, 0.03430469])
dat = dat.reshape(dat.shape[0], 1) # in columns

【问题讨论】：

很难知道你要做什么，因为第一个循环没有真正意义......如果你打印出dat[i,0]，你会发现它只是一个标量，所以你的卷积只是一个乘法。
是的，我简化了一个更复杂的计算。我保留了这个函数，因为我想强调它不仅仅是一个乘法，我想要一个广义的函数解
您的示例对您问题的具体点没有意义，使您的问题不清楚。我的猜测是scipy.ndimage.filters.convolve1d 可能会做你想做的事。
谢谢，这可能会简化我的实际代码。我对上述的理论解决方案很感兴趣，以便学习

标签： python numpy indexing vectorization

【解决方案1】：

trend = np.fromiter((np.convolve(dat[i,0], aW3[:,i], 'same').sum() for i in xrange(2)), float)

【讨论】：

【解决方案2】：

看来你可以使用np.einsum 来解决vectorized 的问题，就像这样 -

trend = np.einsum('i,ji->i',dat[0:aW3.shape[1],0],aW3)

或者broadcasting -

trend = (dat[0:aW3.shape[1],0]*aW3).sum(0)

【讨论】：

我不确定第二个是否可以使用函数而不是您使用的乘法。我喜欢第一个包含爱因斯坦符号的函数
@AlexanderMcFarlane 使用einsum 的第一种方法有效吗？如果是这样，那么第二种方法也必须有效，因为它在功能上与第一种方法相同。