matriz numpy promedio pero conserva la forma

Question

Tengo una matriz Numpy de 3 ejes cuyos elementos son tridimensionales. Me gustaría promediarlos y devolver la misma forma de la matriz. La función normal promedio elimina las 3 dimensiones y sustituirla por la media (como se esperaba):

a = np.array([[[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]], 
       [[0.4, 0.4, 0.4], [0.7, 0.6, 0.8]]], np.float32) 

b = np.average(a, axis=2) 
# b = [[0.2, 0.3], 
#  [0.4, 0.7]] 

resultado requerido:

# b = [[[0.2, 0.2, 0.2], [0.3, 0.3, 0.3]], 
#  [[0.4, 0.4, 0.4], [0.7, 0.7, 0.7]]] 

Se puede hacer esto con elegancia o hacerlo sólo tengo que repetir sobre la matriz en Python (que será mucho más lenta en comparación con una poderosa función Numpy).

¿Se puede establecer el argumento Dtype, para la función np.mean, en una matriz 1D quizás?

Gracias.

Answer 1

>>> import numpy as np 
>>> a = np.array([[[0.1, 0.2, 0.3], [0.2, 0.3, 0.4]], 
...    [[0.4, 0.4, 0.4], [0.7, 0.6, 0.8]]], np.float32) 
>>> b = np.average(a, axis=2) 
>>> b 
array([[ 0.2  , 0.29999998], 
     [ 0.40000001, 0.69999999]], dtype=float32) 
>>> c = np.dstack((b, b, b)) 
>>> c 
array([[[ 0.2  , 0.2  , 0.2  ], 
     [ 0.29999998, 0.29999998, 0.29999998]], 

     [[ 0.40000001, 0.40000001, 0.40000001], 
     [ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32) 

Answer 2

Ok, PRECAUCIÓN no tengo mis maestros en numpyology todavía, pero simplemente jugando, se me ocurrió:

>>> np.average(a,axis=-1).repeat(a.shape[-1]).reshape(a.shape) 
array([[[ 0.2  , 0.2  , 0.2  ], 
     [ 0.29999998, 0.29999998, 0.29999998]], 

     [[ 0.40000001, 0.40000001, 0.40000001], 
     [ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32) 

Answer 3

¿Ha considerado el uso de radiodifusión? Here es más información sobre la transmisión si eres nuevo en el concepto.

Aquí hay un ejemplo usando broadcast_arrays, tenga en cuenta que la b producido aquí por broadcast_arrays deben ser tratados como de sólo lectura, debe hacer una copia si desea escribir en él:

>>> b = np.average(a, axis=2)[:, :, np.newaxis] 
>>> b, _ = np.broadcast_arrays(b, a) 
>>> b 
array([[[ 0.2  , 0.2  , 0.2  ], 
     [ 0.29999998, 0.29999998, 0.29999998]], 

     [[ 0.40000001, 0.40000001, 0.40000001], 
     [ 0.69999999, 0.69999999, 0.69999999]]], dtype=float32) 

Answer 4

Aquí es un método que evita la realización de copias:

a = a.T 
a[:] = a.mean(axis=0) 
a = a.T 

O si no desea sobrescribir a:

b = np.empty_like(a) 
b = b.T 
b[:] = a.mean(axis=-1).T 
b = b.T 

Answer 5

Esto es para un eje arbitrario:

array es la matriz ndimentional y axis es el eje de la media

np.repeat(np.expand_dims(np.mean(array, axis), axis), array.shape[axis], axis)