Python 多维平均numpy屏蔽阵列

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，它似乎不适用于屏蔽数组：

>>> 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

>>将numpy作为np导入
>>>a=np.random.randint（0,10，（2,2,2））
>>>a
数组（[[0,9]，
[2, 5]],
[[8, 6],
[0, 7]]])
>>>a.平均值（轴=（1,2））
数组（[4,5.25]）
>>>ma=np.ma.array（a，掩码=（a<5））
>>>平均值（轴=（1,2））
回溯（最近一次呼叫最后一次）：
文件“”，第1行，在
文件“/usr/lib/python2.7/site packages/numpy/ma/core.py”，第5066行，平均值
cnt=自身计数（轴=轴）
文件“/usr/lib/python2.7/site packages/numpy/ma/core.py”，第4280行，计数
n1=np.尺寸（m，轴）
文件“/usr/lib/python2.7/site packages/numpy/core/fromneric.py”，第2700行，大小
返回a.shape[轴]
TypeError:元组索引必须是整数，而不是元组

如何计算屏蔽阵列在多轴上的平均值，最好与普通阵列一样简单

---

（我宁愿使用一种不意味着定义新函数的解决方案，如中所述。）

您可以在平均值之前对其进行重塑：

>>>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，部分应用平均值会导致不明确的结果：

>>> 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)

解释如下：

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

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

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

在每种情况下，重量都不相同

---

要在其他维度上求平均值，可以在之前使用np.rollaxis。

可以在平均值之前对其进行重塑：

>>>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，部分应用平均值会导致不明确的结果：

>>> 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)

解释如下：

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

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

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

在每种情况下，重量都不相同

---

要在其他维度上进行平均，您可以在之前使用np.rollaxis。

我发现尽管

np.ma.mean

不起作用，

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)

---

这是令人困惑的，因为对于正则数组，

np.average

仅仅是

np.mean

的包装。但只要它起作用，我就不会抱怨

我发现尽管

np.ma.mean

不起作用，

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)

---

这是令人困惑的，因为对于正则数组，

np.average

仅仅是

np.mean

的包装。但只要它起作用，我就不会抱怨

你试过

ma.mean（2）。mean（1）

？@wflynny:这个答案应该有用。在这种情况下，他只想计算“未屏蔽值”的平均值。有关未实现元组索引的更多详细信息，请参见。@wflynny：这是我的第一个猜测，但它改变了每个值的权重。在前面的示例中，它返回

[7,7.25]

，而不是它应该返回的

[7,7]

。（另外，应该是

ma.mean（1）.mean（1）

）你试过

ma.mean（2）.mean（1）

？@wflynny:这个答案应该行得通。在这种情况下，他只想计算“未屏蔽值”的平均值。有关未实现元组索引的更多详细信息，请参见。@wflynny：这是我的第一个猜测，但它改变了每个值的权重。在前面的示例中，它返回

[7,7.25]

，而不是它应该返回的

[7,7]

。（另外，它将是

ma.平均值（1）.平均值（1）

）