用特征类求向量中某些数的和 我是C++的新手，我使用的是特征库。我想知道是否有一种方法可以对向量中的某些元素求和。例如，假设我有一个100乘1的向量，我只想对前10个元素求和。有没有一种方法可以使用Eigen库实现这一点

我想做的是：假设我有一个1000乘1的向量，我想取前10个元素的平均值，然后取下10个元素的平均值，依此类推，并将其存储在某个向量中。因此，我将有一个大小为100的平均向量。非常感谢您的任何想法或建议

以下是我在代码中的开始步骤。我有一个

sutemp4

向量，它是1000乘1。现在我初始化一个新的向量

S_a

，我想把它作为均值向量。这是我迄今为止杂乱无章的代码：（注意，我的问题存在于

crudeMonteCarlo

函数中）

#包括
#包括
#包括
#包括
#包括
#包括
#包括
使用名称空间特征；
使用名称空间std；
void crudeMonteCarlo（int N，double K，double r，double S0，double sigma，double T，int N）；
向量xd时间向量（双最小值、双最大值、整数n）；
VectorXd call_payoff（VectorXd S，双K）；
int main（）{
int N=100；
双K=100；
双r=0.2；
双S0=100；
双西格玛=0.4；
双T=0.1；
int n=10；
crudeMonteCarlo（N，K，r，S0，sigma，T，N）；
返回0；
}
向量xd时间向量（双最小值、双最大值、整数n）{
向量xd m（n+1）；
双增量=（最大-最小）/n；
对于（int i=0；i 0）{
C（i）=S（i）-K；
}否则{
C（i）=0.0；
}
}
返回C；
}
void crudeMonteCarlo（整数N，双K，双r，双S0，双西格玛，双T，整数N）{
//创建时间向量
VectorXd tt=时间向量（0.0，T，n）；
向量xd t（n）；
双dt=T/n；
对于（int i=0；i对于（int j=1；j的本征文件中说，本征块是矩阵或数组的矩形部分，可由
矩阵访问。块（i，j，p，q）
其中i和j是起始值（如0和0），p和q是块大小（如10和1）大概你会在10步中迭代i，然后使用
std:：acculate
或者一个显式求和来找到
matrix.block（i，0,10,1）的平均值这个问题包括很多代码，这使得你很难理解你要问的问题。考虑只包括你的问题特有的代码。

在任何情况下，你都可以直接使用Eigen来做这些事情，非常简单。在Eigen中，向量只是一列的矩阵，所以这里的所有推理都直接适用于你所写的

const Eigen::Matrix<double, 100, 1> v = Eigen::Matrix<double, 100, 1>::Random();

const int num_rows = 10;
const int num_cols = 1;

const int starting_row = 0;
const int starting_col = 0;

const double sum_of_first_ten = v.block(starting_row, starting_col, num_rows, num_cols).sum();
const double mean_of_first_ten = sum_of_first_ten / num_rows;

常量本征：：矩阵v=本征：：矩阵：：随机（）；
const int num_rows=10；
常量int num_cols=1；
const int start_row=0；
const int start_col=0；
const double sum_of_first_ten=v.block（起始行、起始列、数值行、数值列）。sum（）；
const double mean_of_first_ten=_first_ten/num行之和；

总之：您可以使用
.block
获取块对象，
.sum（）
对该块求和，然后使用常规除法获取平均值。
您可以使用
映射
重塑输入，然后立即执行所有子求和，而无需任何循环：

VectorXd A(1000);                           // input
Map<MatrixXd> B(A.data(), 10, A.size()/10); // reshaped version, no copy
VectorXd res = B.colwise().mean();          // partial reduction, you can also use .sum(), .minCoeff(), etc.

vectorxda（1000）；//输入
映射B（A.data（），10，A.size（）/10）；//修改版本，无副本
VectorXd res=B.colwise（）.mean（）；//部分约化，也可以使用.sum（）、.minCoeff（）等。
欢迎使用Stack Overflow！尝试分享一些您已经尝试过的代码。@M.K.Hunter谢谢，我重新编辑了我的问题，其中包括我的代码以完成答案，对于向量，如问题中所述，
。分段（开始，大小）
更合适。
VectorXd A(1000);                           // input
Map<MatrixXd> B(A.data(), 10, A.size()/10); // reshaped version, no copy
VectorXd res = B.colwise().mean();          // partial reduction, you can also use .sum(), .minCoeff(), etc.