问题描述
未向量化的代码如下:
import numpy as np
import numpy.ma as ma
np.random.seed(42)
H = np.random.uniform(0.1,1.0,size=(6,8))
r,c = H.shape
mask = H.max(axis=1) > 0.95
x = np.linspace(0,10,c)
weighted_averages = ma.masked_all((r,),dtype=H.dtype)
for i in range(r):
if mask[i]:
weighted_averages[i] = np.average(x,weights=H[i,:])
这是我对其进行矢量化的尝试:
_,xx = np.mgrid[0:10:r*1j,0:10:c*1j]
not_mask = np.logical_not(mask)
weighted_averages = np.average(xx,weights=H,axis=1)
mwa = ma.masked_array(weighted_averages,mask=not_mask)
它有效,从某种意义上说输出是相同的,但我在“作弊”,因为我首先计算所有平均值,然后屏蔽“不需要的”值。我怎样才能避免不必要的计算?我猜我必须以某种方式屏蔽 xx
、H
或两者。
解决方法
这个怎么样 -
import numpy as np
import numpy.ma as ma
np.random.seed(42)
H = np.random.uniform(0.1,1.0,size=(6,8))
r,c = H.shape
mask = H.max(axis=1) > 0.95
x = np.linspace(0,10,c)
H_mask = H[mask]
wa = (np.sum(x * H_mask,axis=1))/np.sum(H_mask,axis=1)
weighted_averages = ma.masked_all((r,),dtype=H.dtype)
weighted_averages[mask] = wa
简单地先屏蔽数组,然后取平均值。我认为您不能在这里使用 np.average
,因为它似乎不支持广播。因此,只需手动计算平均值即可。