numpy.ufunc.reduce #
方法
- ufunc。reduce ( array , axis=0 , dtype=None , out=None , keepdims=False , initial=<无 值> , where=True ) #
array
通过沿一个轴应用 ufunc 将 的维度减小一。让\(array.shape = (N_0, ..., N_i, ..., N_{M-1})\)。然后 \(ufunc.reduce(array, axis=i)[k_0, ..,k_{i-1}, k_{i+1}, .., k_{M-1}]\)=迭代j的结果\(range(N_i)\),累积地将 ufunc 应用于每个\(array[k_0, ..,k_{i-1}, j, k_{i+1}, .., k_{M-1}]\)。对于一维数组,reduce 产生的结果相当于:
r = op.identity # op = ufunc for i in range(len(A)): r = op(r, A[i]) return r
例如,add.reduce() 相当于 sum()。
- 参数:
- 数组类似数组
要执行操作的数组。
- axis无或整数或整数元组,可选
执行缩减的一个或多个轴。默认值 ( axis = 0) 对输入数组的第一维执行缩减。axis可能为负数,在这种情况下,它从最后一个轴开始计数到第一个轴。
1.7.0 版本中的新增内容。
如果为“无”,则对所有轴执行缩减。如果这是一个整数元组,则在多个轴上执行归约,而不是像以前那样在单个轴或所有轴上执行归约。
对于不可交换或不可关联的运算,在多个轴上进行归约并没有明确定义。在这种情况下,ufunc 目前不会引发异常,但将来可能会引发异常。
- dtype数据类型代码,可选
用于表示中间结果的类型。如果提供了输出数组,则默认为输出数组的数据类型;如果未提供输出数组,则默认为输入数组的数据类型。
- out ndarray、None 或 ndarray 和 None 的元组,可选
存储结果的位置。如果未提供或无,则返回新分配的数组。为了与 保持一致
ufunc.__call__
,如果作为关键字给出,则可以将其包装在 1 元素元组中。版本 1.13.0 中进行了更改:关键字参数允许使用元组。
- keepdims布尔值,可选
如果将此设置为 True,则缩小的轴将作为大小为 1 的维度保留在结果中。使用此选项,结果将根据原始 正确广播
array
。1.7.0 版本中的新增内容。
- 初始标量,可选
开始减少的值。如果 ufunc 没有标识或者 dtype 是对象,则默认为 None - 否则默认为 ufunc.identity。如果
None
给出,则使用归约的第一个元素,如果归约为空,则抛出错误。1.15.0 版本中的新增功能。
- 其中array_like of bool,可选
一个布尔数组,它被广播以匹配 的维度
array
,并选择要包含在归约中的元素。请注意,对于像minimum
这样没有定义标识的 ufunc,必须传入 alsoinitial
。1.17.0 版本中的新增功能。
- 返回:
- r ndarray
减少的数组。如果提供了out ,则 r是对其的引用。
例子
>>> np.multiply.reduce([2,3,5]) 30
多维数组示例:
>>> X = np.arange(8).reshape((2,2,2)) >>> X array([[[0, 1], [2, 3]], [[4, 5], [6, 7]]]) >>> np.add.reduce(X, 0) array([[ 4, 6], [ 8, 10]]) >>> np.add.reduce(X) # confirm: default axis value is 0 array([[ 4, 6], [ 8, 10]]) >>> np.add.reduce(X, 1) array([[ 2, 4], [10, 12]]) >>> np.add.reduce(X, 2) array([[ 1, 5], [ 9, 13]])
您可以使用
initial
关键字参数用不同的值初始化归约,并where
选择要包含的特定元素:>>> np.add.reduce([10], initial=5) 15 >>> np.add.reduce(np.ones((2, 2, 2)), axis=(0, 2), initial=10) array([14., 14.]) >>> a = np.array([10., np.nan, 10]) >>> np.add.reduce(a, where=~np.isnan(a)) 20.0
允许减少通常会失败的空数组,即没有标识的 ufunc。
>>> np.minimum.reduce([], initial=np.inf) inf >>> np.minimum.reduce([[1., 2.], [3., 4.]], initial=10., where=[True, False]) array([ 1., 10.]) >>> np.minimum.reduce([]) Traceback (most recent call last): ... ValueError: zero-size array to reduction operation minimum which has no identity