0

可以在多个维度上计算 numpy 数组的平均值，例如。my_ndarray.mean(axis=(1,2)).

但是，它似乎不适用于掩码数组：

>>> import numpy as np
>>> a = np.random.randint(0, 10, (2, 2, 2))
>>> a
array([[[0, 9],
        [2, 5]],

       [[8, 6],
        [0, 7]]])
>>> a.mean(axis=(1, 2))
array([ 4.  ,  5.25])
>>> ma = np.ma.array(a, mask=(a < 5))
>>> ma.mean(axis=(1, 2))
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/python2.7/site-packages/numpy/ma/core.py", line 5066, in mean
    cnt = self.count(axis=axis)
  File "/usr/lib/python2.7/site-packages/numpy/ma/core.py", line 4280, in count
    n1 = np.size(m, axis)
  File "/usr/lib/python2.7/site-packages/numpy/core/fromnumeric.py", line 2700, in size
    return a.shape[axis]
TypeError: tuple indices must be integers, not tuple

如何计算多轴上掩码数组的平均值，最好与普通数组一样简单？

（我宁愿使用不暗示定义新功能的解决方案，如this answer中所建议的那样。）

4

2 回答 2

2

我发现虽然np.ma.mean不起作用，但np.ma.average给出了预期的结果：

>>> np.ma.average(ma, axis=(1,2))
masked_array(data = [7.0 7.0],
             mask = [False False],
       fill_value = 1e+20)

这很令人困惑，因为对于常规数组，np.average它只是np.mean. 但只要它有效，我不会抱怨！

于 2016-04-20T16:02:47.177 回答
0

您可以在均值之前对其进行整形：

>>>ma.reshape(mc.shape[0],-1).mean(1)
masked_array(data = [1.6666666666666667 4.0],
         mask = [False False],
         fill_value = 1e+20)

请注意，部分应用平均会导致结果模棱两可：

>>> ma.mean(1).mean(1)
masked_array(data = [1.5 4.0],
             mask = [False False],
       fill_value = 1e+20)


>>> ma.mean(2).mean(1)
masked_array(data = [2.25 4.0],
             mask = [False False],
       fill_value = 1e+20)

解释：

>>>ma
masked_array(data =
 [[[0 1]
  [4 --]]

 [[-- --]
  [-- 4]]],
             mask =
 [[[False False]
  [False  True]]

 [[ True  True]
  [ True False]]],
       fill_value = 999999)

每种情况下的权重都不相同。

要在其他维度上进行平均，您可以使用 np.rollaxis 之前。

于 2016-04-20T15:48:16.777 回答