Python numpy中非对称阵列的方法

我在numpy中有一个非对称的2d数组，因为有些数组比其他数组长，例如：[[1,2]，[1,2,3]，…]

但numpy似乎不喜欢这样：

import numpy as np

foo = np.array([[1], [1, 2]])
foo.mean(axis=1)

回溯：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/home/tom/.virtualenvs/nlp/lib/python3.5/site-packages/numpy/core/_methods.py", line 56, in _mean
    rcount = _count_reduce_items(arr, axis)
  File "/home/tom/.virtualenvs/nlp/lib/python3.5/site-packages/numpy/core/_methods.py", line 50, in _count_reduce_items
    items *= arr.shape[ax]
IndexError: tuple index out of range

---

有没有一个很好的方法可以做到这一点，或者我应该自己做数学吗？

您可以使用列表理解为每个foo子数组执行平均值：

mean_foo = np.array( [np.mean(subfoo) for subfoo in foo] )

正如@Kasramvd在另一个答案的评论中所建议的，您也可以使用map函数：

mean_foo = np.array( map(np.mean, foo) )

---

您可以使用列表对foo的每个子数组执行平均值：

mean_foo = np.array( [np.mean(subfoo) for subfoo in foo] )

正如@Kasramvd在另一个答案的评论中所建议的，您也可以使用map函数：

mean_foo = np.array( map(np.mean, foo) )

---

我们可以使用一种几乎矢量化的方法，基于该方法处理不规则长度的子阵列，我们正在计算其平均值。np.add.reduceat使用np.concatenate获得输入数组的1D展平版本后，对这些不规则长度间隔中的元素求和。最后，我们需要将总和除以这些子阵列的长度，以获得平均值

因此，实现看起来是这样的-

lens = np.array(map(len,foo)) # Thanks to @Kasramvd on this!
vals = np.concatenate(foo)
shift_idx = np.append(0,lens[:-1].cumsum())
out = np.add.reduceat(vals,shift_idx)/lens.astype(float)

---

我们可以使用一种几乎矢量化的方法，基于该方法处理不规则长度的子阵列，我们正在计算其平均值。np.add.reduceat使用np.concatenate获得输入数组的1D展平版本后，对这些不规则长度间隔中的元素求和。最后，我们需要将总和除以这些子阵列的长度，以获得平均值

因此，实现看起来是这样的-

lens = np.array(map(len,foo)) # Thanks to @Kasramvd on this!
vals = np.concatenate(foo)
shift_idx = np.append(0,lens[:-1].cumsum())
out = np.add.reduceat(vals,shift_idx)/lens.astype(float)

---

很明显，第一行的第二个轴中没有任何项目。如果要计算整个项目的平均值，可以将数组展平，然后计算平均值。是否可能重复？你在这里说的好方法是什么意思？高效还是简短/紧凑的代码？我想我很困惑，我认为轴是水平运行的，而不是垂直运行的。事实上，当我在对称数据集上运行它时，情况似乎就是这样，但可能我误读了它。不错，我的意思是坚持使用numpy，而不是自己写东西或使用stdlib的统计数据。很明显，第一行的第二个轴中没有任何项目。如果要计算整个项目的平均值，可以将数组展平，然后计算平均值。是否可能重复？你在这里说的好方法是什么意思？高效还是简短/紧凑的代码？我想我很困惑，我认为轴是水平运行的，而不是垂直运行的。事实上，当我在对称数据集上运行它时，情况似乎就是这样，但可能我误读了它。不错，我的意思是坚持使用numpy，而不是自己写东西或使用stdlib的统计数据。在处理内置函数时，最好使用map而不是列表理解。它的性能稍微快一点。@Kasramvd真棒！谢谢，添加到帖子中。在处理内置函数时，最好使用映射而不是列表理解。它的性能稍微快一点。@Kasramvd真棒！谢谢，添加到帖子中。