将自定义函数应用于 numpy 中的 2 行或更多行（或列）

Question

我对@9​​87654324@ 还很陌生，我想将自定义函数应用于 1、2 或更多行（或列）。我怎样才能做到这一点？在这被标记为重复之前，我想指出我发现的唯一线程是how to apply a generic function over numpy rows? 和how to apply a generic function over numpy rows?。这篇文章有两个问题：

a) 作为一个初学者，我不太确定像A[:,None,:] 这样的操作是做什么的。

b) 在我的情况下，该操作不起作用。请看下文。

假设矩阵 M 是：

import numpy as np
M = np.array([[8, 3, 2],
              [6, 1, 2],
              [1, 2, 4]])

现在，我想计算所有三行组合的乘积。为此，我创建了一个 custom 函数。该函数的实际操作可能与乘法不同。乘法只是一个例子。

def myf(a,b): return(a*b) 

我以numpy数组产品为例。实际的自定义函数可能会有所不同，但无论操作是什么，该函数将始终返回一个numpy 数组。即它将采用两个相同大小的numpy 一维数组并返回一维数组。在myf 中，我假设a 和b 都是np.array。

我希望能够将自定义函数应用于任意两行或两列，甚至三行（递归应用函数）。

两行递归相乘后的预期输出：

如果我应用成对的行操作：

[[48,3,4],
 [6,2,8],
 [8,6,8]]

OR（自定义函数的应用顺序无关紧要。因此，输出矩阵中行的实际位置无关紧要。下面的矩阵也可以。）

[[6,2,8],
 [48,3,4],  #row1 and 2 are swapped
 [8,6,8]]

同样，如果我对列应用成对操作，我会得到

[[24, 6, 16]
 [6,  2, 12] 
 [2,  8, 4]]

同样，如果我将自定义函数应用于所有三行，我会得到：

[48,6,16] #row-wise

或

[48,12,8] #column-wise

我在阅读 SO 后尝试了一些方法：

1：

vf=np.vectorize(myf)
vf(M,M)

但是，上述函数按元素应用自定义函数，而不是按行或按列。

2：

我也试过了：

M[:,None,:].dot(M) #dot mimics multiplication. Python wouldn't accept `*`

这样做有两个问题：

a) 我不知道输出是什么。

b) 我无法应用自定义函数。

有人可以帮帮我吗？如有任何帮助，我将不胜感激。

我对@9​​87654342@ 和scipy 持开放态度。

---

一些专家要求得到所需的输出。让我们假设所需的输出是 [[48,3,4], [6,2,8], [8,6,8]].

但是，我希望能提供一些有关为 2 列或更多列和 2 列或更多行自定义解决方案的指导。

Answer 1

您可以简单地沿着0th 轴滚动您的轴

np.roll(M, -1, axis=0)
# array([[6, 1, 2],
#        [1, 2, 4],
#        [8, 3, 2]])

然后将结果与原始数组相乘

M * np.roll(M, -1, axis=0)
# array([[48,  3,  4],
#        [ 6,  2,  8],
#        [ 8,  6,  8]])

如果要合并两行以上，可以滚动多次：

M * np.roll(M, -1, axis=0) * np.roll(M, -2, axis=0)
# array([[48,  6, 16],
#        [48,  6, 16],
#        [48,  6, 16]])