Python 连续二维切片上的Numpy矢量化函数

我有一个3D numpy阵列。我想通过在沿轴的连续2d切片上执行一个函数，并将生成的切片堆叠在一起，来形成一个新的3d数组。显然有很多方法可以做到这一点；我想用最简洁的方式来做。我认为这在

numpy.vectorize

中是可能的，但这似乎产生了一个函数，它迭代数组中的每个值，而不是沿着第一个轴移动的2D切片

基本上，我希望代码看起来像这样：

new3dmat = np.vectorize(func2dmat)(my3dmat)

完成了与此相同的事情：

new3dmat = np.empty_like(my3dmat)
for i in range(my3dmat.shape[0]):
  new3dmat[i] = func2dmat(my3dmat[i])

---

我怎样才能做到这一点呢？

恐怕下面这样的内容是简洁性和性能之间的最佳折衷。不幸的是，沿_轴应用_不会采用多个轴

new3dmat = np.array([func2dmat(slice) for slice in my3dmat])

---

就额外分配等而言，它并不理想，但除非.shape[0]相对于.size较大，否则额外的开销应该是最小的。

您不能重写

func2dmat

以在整个3D阵列上操作吗？YMMV，但这通常是进行这类矢量化的最佳方式。我可以这样做，但循环解决方案更可取。我希望能够简洁地对复合数据结构（3d矩阵）进行操作，并使用对其组成部分（2d矩阵）进行操作的函数——该函数不需要了解这些组成部分来自的更大结构。这样我只需要一个函数，而不是包含2d矩阵的每个可能结构的特殊函数。。。约定是使函数作用于输入的最后2维上的每个2D数组。如果您可以为此编写快速矢量化代码，那么让它在其他轴上工作只是明智地使用等问题。如果您想充分利用numpy，Python循环解决方案几乎是不可取的。。如果切片足够大，性能差异应该最小，Sean的逻辑是合理的；有多少个轴（如果有的话）存在，这不是内部函数的概念性业务。在没有明显的性能优势的情况下，编写代码来处理这种一般情况会散发出过早优化的味道。@Jaime我喜欢按照惯例在最后两个轴上运行函数的想法。感谢你们两位的帮助，现在使用Eelco的解决方案。嗯，这看起来不错。我想知道，有没有一种方法可以使my3dmat中的

切片沿着与第一个轴不同的轴进行迭代？您可以使用np.rollaxis将要迭代的轴带到前面