Python 3D数组中最后两个非零元素的平均值

我有一个（n×I×j）-3D numpy数组：

a_3D_数组

（2×5×3）

对于n中的每个列j，我想提取最后2个非零元素并计算平均值，然后将结果放入（n×j）数组中。我现在做的是使用for循环

import numpy as np

a_3d_array = np.array([[[1, 2, 3],
                        [1, 1, 1],
                        [2, 2, 2],
                        [0, 3, 3],
                        [0, 0, 4]],
                       [[1, 2, 3],
                        [2, 2, 2],
                        [3, 3, 3],
                        [0, 4, 4],
                        [0, 0, 5]]])

aveCol = np.zeros([2,3])
for n in range(2):
    for j in range(3):
        temp = a_3d_array[n,:,j]
        nonzero_array = temp[np.nonzero(temp)]
        aveCol[n, j] = np.mean(nonzero_array[-2:])

为了得到想要的结果

print(aveCol)
[[1.5 2.5 3.5] [2.5 3.5 4.5]]

那很好。但我想知道是否有更好的蟒蛇式方法来做同样的事情

---

我发现与我的问题最相似的是。但是我不太理解在稍微不同的上下文中解释的答案。

您可以使用

filter

方法从数组中过滤出

0

s

以下是一种列表理解方法：

import numpy as np

a_3d_array = np.array([[[1, 2, 3],
                        [1, 1, 1],
                        [2, 2, 2],
                        [0, 3, 3],
                        [0, 0, 4]],
                       [[1, 2, 3],
                        [2, 2, 2],
                        [3, 3, 3],
                        [0, 4, 4],
                        [0, 0, 5]]])

aveCol = np.array([[np.mean(list(filter(None, a_3d_array[n,:,j]))[-2:]) for j in range(3)] for n in range(2)])
print(aveCol)

输出：

[[1.5 2.5 3.5] 
 [2.5 3.5 4.5]]

---

@GBOFI注释：为了提高效率，请使用

aveCol = np.array([[sum([i for i in a_3d_array[n,:,j] if i][-2:])/2 for j in range(3)] for n in range(2)])

而不是

aveCol = np.array([[np.array([i for i in a_3d_array[n,:,j] if i][-2:]) for j in range(3)] for n in range(2)])

---

您可以使用

filter

方法从数组中筛选出

0

s

以下是一种列表理解方法：

import numpy as np

a_3d_array = np.array([[[1, 2, 3],
                        [1, 1, 1],
                        [2, 2, 2],
                        [0, 3, 3],
                        [0, 0, 4]],
                       [[1, 2, 3],
                        [2, 2, 2],
                        [3, 3, 3],
                        [0, 4, 4],
                        [0, 0, 5]]])

aveCol = np.array([[np.mean(list(filter(None, a_3d_array[n,:,j]))[-2:]) for j in range(3)] for n in range(2)])
print(aveCol)

输出：

[[1.5 2.5 3.5] 
 [2.5 3.5 4.5]]

---

@GBOFI注释：为了提高效率，请使用

aveCol = np.array([[sum([i for i in a_3d_array[n,:,j] if i][-2:])/2 for j in range(3)] for n in range(2)])

而不是

aveCol = np.array([[np.array([i for i in a_3d_array[n,:,j] if i][-2:]) for j in range(3)] for n in range(2)])

---

TL；据我所知，DR是最快的

---

每个

m

都是一个n×i 2D数组，接下来我们取其转置的

r

ow，即执行计算的“列”——在这个“列”上，我们丢弃所有零，最后两个非零元素求和并取平均值

In [17]: np.array([[sum(r[r!=0][-2:])/2 for r in m.T] for m in a])
Out[17]: 
array([[1.5, 2.5, 3.5],
       [2.5, 3.5, 4.5]])

---

编辑1

它看起来比你的循环快

In [19]: %%timeit
    ...: avg = np.zeros([2,3])
    ...: for n in range(2):
    ...:     for j in range(3):
    ...:         temp = a[n,:,j]
    ...:         nz = temp[np.nonzero(temp)]
    ...:         avg[n, j] = np.mean(nz[-2:])
95.1 µs ± 596 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [20]: %timeit np.array([[sum(r[r!=0][-2:])/2 for r in m.T] for m in a])
45.5 µs ± 394 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

编辑2

---

编辑3

---

Edit4突发新闻信息

安回答中的罪魁祸首是

np.mean

In [29]: %timeit np.array([[sum(list(filter(None, a[n,:,j]))[-2:])/2 for j in range(3)] for n in range(2)])
32.7 µs ± 111 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

TL；据我所知，DR是最快的

---

每个

m

都是一个n×i 2D数组，接下来我们取其转置的

r

ow，即执行计算的“列”——在这个“列”上，我们丢弃所有零，最后两个非零元素求和并取平均值

In [17]: np.array([[sum(r[r!=0][-2:])/2 for r in m.T] for m in a])
Out[17]: 
array([[1.5, 2.5, 3.5],
       [2.5, 3.5, 4.5]])

---

编辑1

它看起来比你的循环快

In [19]: %%timeit
    ...: avg = np.zeros([2,3])
    ...: for n in range(2):
    ...:     for j in range(3):
    ...:         temp = a[n,:,j]
    ...:         nz = temp[np.nonzero(temp)]
    ...:         avg[n, j] = np.mean(nz[-2:])
95.1 µs ± 596 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [20]: %timeit np.array([[sum(r[r!=0][-2:])/2 for r in m.T] for m in a])
45.5 µs ± 394 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

编辑2

---

编辑3

---

Edit4突发新闻信息

安回答中的罪魁祸首是

np.mean

In [29]: %timeit np.array([[sum(list(filter(None, a[n,:,j]))[-2:])/2 for j in range(3)] for n in range(2)])
32.7 µs ± 111 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

---

您可以获取数组

a

的索引，用负数标记零项，排序、限制，然后将结果用作索引：

i=np.索引（a.形状）
i[：，a==0]=-1
i=np.sort（i，轴=2）
i=i[：，：，-2:，：]
a[元组（i）].平均值（轴=1）
#数组（[[1.5,2.5,3.5]，
#        [2.5, 3.5, 4.5]])

您可以获取数组的索引

a

，用负数标记零项，排序、限制，然后将结果用作索引：

i=np.索引（a.形状）
i[：，a==0]=-1
i=np.sort（i，轴=2）
i=i[：，：，-2:，：]
a[元组（i）].平均值（轴=1）
#数组（[[1.5,2.5,3.5]，
#        [2.5, 3.5, 4.5]])

因为这是完全有效的代码；这可能是更好的位置（请删除这个问题，如果你决定张贴在那里）谢谢你杰弗克，我不知道有另一个合适的网站，要求一个工作代码。由于我已经收到了这篇文章的两个答案，这次我将离开我的文章。但是我会从下一次去另一个网站！好球！他们是真正的代码评审专家，在那里你会得到很多很好的建议；这可能是更好的位置（请删除这个问题，如果你决定张贴在那里）谢谢你杰弗克，我不知道有另一个合适的网站，要求一个工作代码。由于我已经收到了这篇文章的两个答案，这次我将离开我的文章。但是我会从下一次去另一个网站！好球！他们是真正的代码评审专家，你会在那里得到很多很好的建议。嗨，我最终发现你的解决方案实际上是最快的，只要你使用

sum（）/2

代替了

np.mean

-我想当取2个数字的平均值时，Numpy函数的开销是不合适的…谢谢你的建议。我真的很感激。嗨，我最终发现你的解决方案实际上是最快的，只要你用

sum（）/2

代替

np.mean

——我想当取两个数字的平均值时，Numpy函数的开销就不合适了……谢谢你的建议。我真的很感激。