Python numpy.sum转换到kahan，但使用遮罩阵列以提高精度

我有一个多数组的数据堆栈，它被屏蔽以排除“坏”或有问题的值-这是在第三维中。当前代码使用np.sum，但精度级别（大数字和小数字）对结果有负面影响。我尝试实现这里引用的kahan_和，但忘记了屏蔽数组，结果不相似（由于屏蔽）。我希望通过使用kahan求和和累加器增加的精度保留将允许下游操作保持较少的误差

资料来源/研究： （我已经尽可能地提高了精度，但没有帮助）

将numpy作为np导入
将numpy.ma导入为ma
def kahan_总和（a，轴=无）：
s=numpy.zero（a.shape[：axis]+a.shape[axis+1:]）
c=整数零（s形）
对于范围内的i（a.形状[轴]）：
# http://stackoverflow.com/a/42817610/353337
y=a[（切片（无），）*轴+（i，）]-c
t=s+y
c=（t-s）-y
s=t.copy（）
返回s
数据=np.random.rand（5,5,5）
DD＝NP .mas.MaskdId数组（Data＝D，Mask= NP.No.Rand（5，5，5）
如果你真的需要更多的精度，考虑使用<代码> Mault.FSUM 这对FP分辨率是准确的。如果<代码> A<代码>是你的3D蒙版数组，类似于：
i,j,k = A.shape
np.frompyfunc(lambda i,j:math.fsum(A[i,j].compressed().tolist()),2,1)(*np.ogrid[:i,:j])

但在此之前，我会三次检查
np.sum
是否真的不够好。据我所知，它使用沿连续轴的两两求和，这在实践中往往是非常好的。
不幸的是，它是np.sum，只是不起作用。我的意思是，它有几亿个单独的数据集，但它仍然是关闭的，我开始使用它mp对抗边缘案例。如果内联有效，我会欣喜若狂。我在任何地方都没有看到任何改进精度讨论的那种类型的响应。编辑：因为我试图创建一个插入式替换，下面的建议没有起作用。目前我得到的是浮点除以零（某处）在我庞大的数据集中，所以我将进一步研究。我想我将不得不放弃获得更好的精度，因为Numppy没有给我这样做的灵活性，而且我还没有足够的悟性来编写详尽的函数来处理它。任何其他想法都将是受欢迎的，我很感谢Paul，你的建议-给了我一个很好的st艺术
i,j,k = A.shape
np.frompyfunc(lambda i,j:math.fsum(A[i,j].compressed().tolist()),2,1)(*np.ogrid[:i,:j])