Numpy, восстанавливающий 2D-массив

Ответ 1

Вы можете использовать более высокий размерный вид вашего массива и принимать среднее значение по дополнительным размерам:

In [12]: a = np.arange(36).reshape(6, 6)

In [13]: a
Out[13]: 
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23],
       [24, 25, 26, 27, 28, 29],
       [30, 31, 32, 33, 34, 35]])

In [14]: a_view = a.reshape(3, 2, 3, 2)

In [15]: a_view.mean(axis=3).mean(axis=1)
Out[15]: 
array([[  3.5,   5.5,   7.5],
       [ 15.5,  17.5,  19.5],
       [ 27.5,  29.5,  31.5]])

В общем случае, если вам нужен бит формы (a, b) для массива (rows, cols), то его переформатирование должно быть .reshape(rows // a, a, cols // b, b). Отметим также, что порядок .mean важен, например. a_view.mean(axis=1).mean(axis=3) вызовет ошибку, потому что a_view.mean(axis=1) имеет только три измерения, хотя a_view.mean(axis=1).mean(axis=2) будет работать нормально, но это затрудняет понимание того, что происходит.

Как и в случае, приведенный выше код работает только в том случае, если вы можете поместить целое число ячеек внутри вашего массива, т.е. если a делит rows и b делит cols. Есть способы справиться с другими случаями, но вам нужно будет определить поведение, которое вы хотите, затем.

Ответ 2

Смотрите кулинарная книга SciPy при обновлении, которая предоставляет этот фрагмент:

def rebin(a, *args):
    '''rebin ndarray data into a smaller ndarray of the same rank whose dimensions
    are factors of the original dimensions. eg. An array with 6 columns and 4 rows
    can be reduced to have 6,3,2 or 1 columns and 4,2 or 1 rows.
    example usages:
    >>> a=rand(6,4); b=rebin(a,3,2)
    >>> a=rand(6); b=rebin(a,2)
    '''
    shape = a.shape
    lenShape = len(shape)
    factor = asarray(shape)/asarray(args)
    evList = ['a.reshape('] + \
             ['args[%d],factor[%d],'%(i,i) for i in range(lenShape)] + \
             [')'] + ['.sum(%d)'%(i+1) for i in range(lenShape)] + \
             ['/factor[%d]'%i for i in range(lenShape)]
    print ''.join(evList)
    return eval(''.join(evList))

Ответ 3

Я предполагаю, что вы только хотите знать, как вообще построить функцию, которая хорошо работает и что-то делает с массивами, точно так же, как numpy.reshape в вашем примере. Поэтому, если производительность действительно имеет значение, и вы уже используете numpy, вы можете написать свой собственный код C для этого, как это делает numpy. Например, реализация arange полностью в C. Почти все с numpy, что имеет значение с точки зрения производительности, реализовано в C.

Однако, прежде чем делать это, вы должны попытаться реализовать код в python и посмотреть, достаточно ли производительность. Попробуйте сделать код Python максимально эффективным. Если он по-прежнему не соответствует вашим потребностям в производительности, перейдите на путь C.

Вы можете прочитать об этом в docs.