可以在多个维度上计算numpy数组的平均值,例如。 my_ndarray.mean(axis=(1,2))
。
但是,它似乎不适用于蒙版数组:
>>> import numpy as np
>>> a = np.random.randint(0, 10, (2, 2, 2))
>>> a
array([[[0, 9],
[2, 5]],
[[8, 6],
[0, 7]]])
>>> a.mean(axis=(1, 2))
array([ 4. , 5.25])
>>> ma = np.ma.array(a, mask=(a < 5))
>>> ma.mean(axis=(1, 2))
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
File "/usr/lib/python2.7/site-packages/numpy/ma/core.py", line 5066, in mean
cnt = self.count(axis=axis)
File "/usr/lib/python2.7/site-packages/numpy/ma/core.py", line 4280, in count
n1 = np.size(m, axis)
File "/usr/lib/python2.7/site-packages/numpy/core/fromnumeric.py", line 2700, in size
return a.shape[axis]
TypeError: tuple indices must be integers, not tuple
如何计算多轴上遮罩阵列的平均值,最好像普通阵列那样简单?
(我宁愿使用一种不暗示定义新功能的解决方案,如this answer中所提议的那样。)
答案 0 :(得分:2)
我发现虽然np.ma.mean
不起作用,np.ma.average
会给出预期结果:
>>> np.ma.average(ma, axis=(1,2))
masked_array(data = [7.0 7.0],
mask = [False False],
fill_value = 1e+20)
这很令人困惑,因为对于常规数组,np.average
仅仅是np.mean
的包装。但只要它有效,我就不会抱怨!
答案 1 :(得分:0)
你可以在平均值之前重塑它:
>>>ma
masked_array(data =
[[[0 1]
[4 --]]
[[-- --]
[-- 4]]],
mask =
[[[False False]
[False True]]
[[ True True]
[ True False]]],
fill_value = 999999)
请注意,部分应用平均会导致模糊结果:
{{1}}
解释:
{{1}}
每种情况下的权重都不相同。
要在其他维度上取平均值,您可以在之前使用np.rollaxis。