Python：分层切片

是否有一种更具pythonic/numpythonic风格的方式来进行某种嵌套/分层切片，即更漂亮的版本：

_sum = 0
for i in np.arange(n):
   _sum += someFunc(A[i,:])

基本上，我希望将

someFunc

（它采用任何形状的数组并返回一个数字）映射到行上，然后对结果求和

---

我一直在考虑

np.sum（someFunc（A[：，：]）

，但根据我的理解，这将映射整个数组。

如果我理解正确，您可以使用如下列表理解：

sum([someFunc(A[i:]) for i in np.arange(n)]) 

---

定义一个函数以计数数组中的1：

def foo(x):
    return (x==1).sum()

和二维阵列：

In [431]: X=np.array([[1,0,2],[3,1,1],[0,2,3]])

我可以迭代地将其应用于行

In [432]: [foo(i) for i in X]   # iterate on 1st dimension
Out[432]: [1, 2, 0]
In [433]: [foo(X[i,:]) for i in range(3)]
Out[433]: [1, 2, 0]

并使用

sum

获得总计数（这里是Python总和）

正如所写的

foo

获得了应用于整个数组的相同内容

In [435]: foo(X)
Out[435]: 3

对于行计数，使用

np.sum

轴控制：

In [440]: np.sum(X==1, axis=1)
Out[440]: array([1, 2, 0])

沿_轴应用_

可以应用于相同类型的行迭代：

In [438]: np.apply_along_axis(foo,1,X)
Out[438]: array([1, 2, 0])

但对于这一点来说，这是矫枉过正。对于3d或更大的数组，它更有用，因为除了第n个

one个
one个维度之外，在所有维度上迭代都很困难。它永远不会比你自己的迭代更快

显然，如果您可以编写函数来处理整个数组，那么这是最好的。但是，如果您必须对行进行迭代，则没有任何神奇的解决方案<代码>矢量化
和
frompyfunc
包装使用标量值而不是1d数组的函数。一些
行
问题可以通过将行强制转换为更大的数据类型对象（例如
唯一的
行）来解决。
求和（np.沿_轴应用_（someFunc，1，A））
虽然不是矢量化选项？在这种情况下，
someFunc
应该做什么，这是计算每行的相等值的数量…但是我在很多情况下遇到过这个问题，所以我提出了一个更一般的问题。
In [438]: np.apply_along_axis(foo,1,X)
Out[438]: array([1, 2, 0])