我有一个 Numpy 3 轴数组，其元素是 3 维的。我想对它们进行平均并返回相同形状的数组。正常的平均函数删除了 3 个维度并用平均值替换它（如预期的那样）：
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]]
结果要求：
# 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]]]
你能优雅地做到这一点，还是我只需要在 Python 中迭代数组（与强大的 Numpy 函数相比，这会慢很多）。
您能否将 np.mean 函数的 Dtype 参数设置为一维数组？
谢谢。
好的，注意我还没有 numpyology 的硕士学位，但只是在玩，我想出了：
>>> 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)
您是否考虑过使用广播？如果您不熟悉这个概念，这里有更多关于广播的信息。
这是一个使用 的示例broadcast_arrays，请记住，b此处生成的 bybroadcast_arrays应视为只读，如果要对其进行写入，则应制作副本：
>>> 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)
>>> 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)
这是一种避免复制的方法：
a = a.T
a[:] = a.mean(axis=0)
a = a.T
或者，如果您不想覆盖a：
b = np.empty_like(a)
b = b.T
b[:] = a.mean(axis=-1).T
b = b.T
这是针对任意轴：
array是维度数组，axis是平均轴
np.repeat( np.expand_dims( np.mean( array, axis ), axis ), array.shape[axis], axis )