Python Numpy：使用具有不同标记的输入数组沿轴应用

我有一个问题，我有两个空间数据集，1）温度（

temp

），2）深度（

sd

），需要在计算中组合。我正在计算的第一天（即t=0）的cfgi指标将初始化为全零。随后的每一天（即t=1）计算如下：

cfgi = cfgi_t=0 - temp_t=1 * np.exp(-0.2*sd_t=1)

其中

t=0

或

t=1

应解释为下标

假设我有这些数据，其中axis=0表示日常曲面：

temp = np.array([-1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -1.,
       -1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -1., -2.,
       -2., -2., -2., -2., -2., -2., -2., -2., -2., -2., -2., -2., -2.,
       -2., -2., -2., -2., -2., -2., -2., -2., -2., -2., -2., -3., -3.,
       -3., -3., -3., -3., -3., -3., -3., -3., -3., -3., -3., -3., -3.,
       -3., -3., -3., -3., -3., -3., -3., -3., -3., -3., -4., -4., -4.,
       -4., -4., -4., -4., -4., -4., -4., -4., -4., -4., -4., -4., -4.,
       -4., -4., -4., -4., -4., -4., -4., -4., -4., -5., -5., -5., -5.,
       -5., -5., -5., -5., -5., -5., -5., -5., -5., -5., -5., -5., -5.,
       -5., -5., -5., -5., -5., -5., -5., -5.]).reshape((5,5,5))

sd = np.array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 2., 2., 2., 2., 2., 2., 2., 2., 2.,
       2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 2., 3.,
       3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3., 3.,
       3., 3., 3., 3., 3., 3., 3., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4.,
       4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 4., 5., 5.,
       5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5., 5.,
       5., 5., 5., 5., 5., 5.]).reshape(5,5,5)

cfgi = np.zeros(sd.shape)

我的第一个想法是使用

np。使用此函数沿\u轴应用\u

：

def calculate_CFGI(a):
    return a[0] - a[1]* np.exp(-0.2*a[2])

这是可行的，但我希望有人能帮助我在没有for循环的情况下实现我想要的结果

for i in range(sd.shape[0]-1):
    c = cfgi[i,:,:]
    t = temp[i+1,:,]
    s = sd[i+1,:,]
    combined = np.stack([c,t,s])
    cfgi[i+1,:,:] = np.apply_along_axis(calculate_CFGI, 0, combined)

预期结果：

array([[[0.        , 0.        , 0.        , 0.        , 0.        ],
        [0.        , 0.        , 0.        , 0.        , 0.        ],
        [0.        , 0.        , 0.        , 0.        , 0.        ],
        [0.        , 0.        , 0.        , 0.        , 0.        ],
        [0.        , 0.        , 0.        , 0.        , 0.        ]],

       [[1.34064009, 1.34064009, 1.34064009, 1.34064009, 1.34064009],
        [1.34064009, 1.34064009, 1.34064009, 1.34064009, 1.34064009],
        [1.34064009, 1.34064009, 1.34064009, 1.34064009, 1.34064009],
        [1.34064009, 1.34064009, 1.34064009, 1.34064009, 1.34064009],
        [1.34064009, 1.34064009, 1.34064009, 1.34064009, 1.34064009]],

       [[2.987075  , 2.987075  , 2.987075  , 2.987075  , 2.987075  ],
        [2.987075  , 2.987075  , 2.987075  , 2.987075  , 2.987075  ],
        [2.987075  , 2.987075  , 2.987075  , 2.987075  , 2.987075  ],
        [2.987075  , 2.987075  , 2.987075  , 2.987075  , 2.987075  ],
        [2.987075  , 2.987075  , 2.987075  , 2.987075  , 2.987075  ]],

       [[4.78439086, 4.78439086, 4.78439086, 4.78439086, 4.78439086],
        [4.78439086, 4.78439086, 4.78439086, 4.78439086, 4.78439086],
        [4.78439086, 4.78439086, 4.78439086, 4.78439086, 4.78439086],
        [4.78439086, 4.78439086, 4.78439086, 4.78439086, 4.78439086],
        [4.78439086, 4.78439086, 4.78439086, 4.78439086, 4.78439086]],

       [[6.62378806, 6.62378806, 6.62378806, 6.62378806, 6.62378806],
        [6.62378806, 6.62378806, 6.62378806, 6.62378806, 6.62378806],
        [6.62378806, 6.62378806, 6.62378806, 6.62378806, 6.62378806],
        [6.62378806, 6.62378806, 6.62378806, 6.62378806, 6.62378806],
        [6.62378806, 6.62378806, 6.62378806, 6.62378806, 6.62378806]]])

---

让我们仔细看看你的关系：

 cfgi[0, ...] = 0
 cfgi[1, ...] = 0 - temp[1, ...] * np.exp(-0.2 * sd[1, ...])
 cfgi[2, ...] = 0 - temp[1, ...] * np.exp(-0.2 * sd[1, ...]) - temp[2, ...] * np.exp(-0.2 * sd[2, ...])
 ...

你可以说x=

temp*np.exp（0.2*sd）

，然后写：

cfgi[n, ...] = 0 - x[1, ...] - x[2, ...] - ... - x[n, ...]

希望您能在这里看到模式：

cfgi = np.zeros_like(temp)
cfgi[1:, ...] = -np.cumsum(temp[1:, ...] * np.exp(-0.2 * sd[1:, ...]), axis=0)

---

..

作为

cfgi

的索引意味着什么？@dubbdan

..

是一个

省略号

对象，意思是“

：

根据需要多次”。在这种情况下，我们同样可以编写

[x，：，：]

，这很好。谢谢