Python 努比对面
是否有相反的,例如,Python 努比对面,python,numpy,scipy,Python,Numpy,Scipy,是否有相反的,例如,numpy.project\u to(数组、函数、轴) 哪个会回来 数组([1,0.66666667,0.5])看起来您要求的是沿特定轴的缩减:这可以使用任何二进制文件的缩减方法来完成。例如: >>> x = np.array([[1,1,1], [2,1,3], [2,2,2]], dtype=float) >>> np.divide.reduce(x, axis=1) array([ 1. , 0.66666667,
numpy.project\u to(数组、函数、轴)
哪个会回来
数组([1,0.66666667,0.5])
看起来您要求的是沿特定轴的缩减:这可以使用任何二进制文件的缩减方法来完成。例如:
>>> x = np.array([[1,1,1], [2,1,3], [2,2,2]], dtype=float)
>>> np.divide.reduce(x, axis=1)
array([ 1. , 0.66666667, 0.5 ])
看起来您所要求的是沿特定轴的缩减:这可以使用任何二进制文件的reduce
方法来完成。例如:
>>> x = np.array([[1,1,1], [2,1,3], [2,2,2]], dtype=float)
>>> np.divide.reduce(x, axis=1)
array([ 1. , 0.66666667, 0.5 ])
通过样品展示你的期望?通过样品展示你的期望?是的。划分只是一个随机问题。但我刚刚意识到还有沿轴应用:@HallgeirWilhelmsen沿轴应用()
通常不是您想要使用的;它在后端使用Python循环,不像其他numpy函数那样快速或优化。通常,您希望使用numpy函数中可用的axis参数,如果该参数不适用于特定函数,则reduce
是您的最佳选择。是的。划分只是一个随机问题。但我刚刚意识到还有沿轴应用:@HallgeirWilhelmsen沿轴应用()
通常不是您想要使用的;它在后端使用Python循环,不像其他numpy函数那样快速或优化。通常,您希望使用numpy函数中可用的axis参数,如果该参数不适用于特定函数,则reduce
是最佳选择。