不使用嵌套循环的3D数组中的Python时间序列计算？

我有一个大的3D阵列，每个层都是来自同一时间的数据。我想计算每个网格单元的时间序列统计数据。下面的代码块是一个过于简化的版本

我古老的FORTRAN/C背景告诉我应该使用嵌套循环，但我忍不住认为必须有一种更“Pythonic”的方法来实现这一点（也许也要快得多？）。有什么帮助吗

谢谢

# Brute-force time-series stats

import numpy as np

rows = 2
cols = 4
dates = 3

time_series = np.empty([rows, cols, dates])
samples = np.zeros([rows, cols])
means = np.zeros([rows, cols])

for r in range(rows):
    for c in range(cols):
        
        samples[r, c] = np.count_nonzero(~np.isnan(time_series[r, c, :]))
        means[r, c] = np.nanmean(time_series[r, c, :])

print("Means at each grid cell:", means)
print("Samples:", samples)

“同时”和“采用轴”参数指定应沿哪个轴计算这些值，因此，如果将

轴=2

传递给每个轴（2是第三个轴，即（0,1,2）），则不需要循环

samples = np.count_nonzero(~np.isnan(time_series), axis = 2)
means = np.nanmean(time_series, axis = 2)

将给出与双循环相同的结果

在我的jupyter笔记本上使用

%%timeit

进行检查，并且使用numpy axis参数确实比循环快至少5倍（这取决于阵列的复杂性，但通过我的几次尝试，性能时间的提高会随着复杂性的增加而变得更好）

结果:

---

好极了！刚刚实现了这个更改，大大缩短了总体处理时间。谢谢。很高兴它工作得很好：）大多数（不是所有）numpy函数都应该具有相同的功能（如果不确定，请查看上的文档）。此外，请随意接受此答案（如果您觉得它很好地回答了您的问题），将问题标记为已回答。