Python 是否可以在numexpr中对多个轴求和？

我正在尝试做如下事情：

import numexpr as ne

a = np.random.rand(10, 1)
b = np.random.rand(1, 10)
ne.NumExpr('sum(sum(a*b, 1), 0)').run(a, b) # <- error: reduction operations must occur last
ne.NumExpr('sum(a*b, [1, 0])').run(a, b) # <- error: ValueError: cannot encode axis

将numexpr导入为ne
a=np.rand.rand（10,1）
b=np.rand.rand（1,10）
NumExpr（'sum（sum（a*b，1），0）'）。运行（a，b）#使用两个表达式怎么样

import numpy as np
import numexpr as ne

a = np.random.rand(10, 1)
b = np.random.rand(1, 10)
ab = ne.evaluate('sum(a*b, 0)') # Calculates sum over first axis
print ne.evaluate('sum(ab, 0)') # <- Calculates sum over summed axis

将numpy导入为np
将numexpr作为ne导入
a=np.rand.rand（10,1）
b=np.rand.rand（1,10）
ab=ne.evaluate（'sum（a*b，0）#计算第一个轴上的总和
打印ne.evaluate（'sum（ab，0）#您可以使用numexpr在多个轴上求和，如下所示：

import numpy as np
import numexpr as ne

a = np.random.rand(10, 1)
b = np.random.rand(1, 10)
ne.evaluate('sum(x, 0)', {'x': ne.evaluate('sum(a*b, 1)')})

你当然可以改变乘法的结果，但我怀疑它会比两个轴上的np.sum快。但如果你能更详细地解释你想要什么，也许可以重写你的计算。什么意义上的重塑？我觉得这样的解决方案会增加内存需求。类似于（a*b）。重塑（a.shape[0]*b.shape[1]）。sum（）。这取决于你真正的目标是什么。你也可以通过下列方法得到同样的结果：np.sum（a）*np.sum（b）。这对numexpr问题没有多大帮助，但另一方面，它做了你想要的。我编辑了这个问题，也许是为了解决这个问题的动机。我为你的原始问题添加了一个答案。这个解决方案的问题是，
ab
必须存储在内存中，这在我的情况下并不总是可能的。