如何使用numpy向量化有条件的掩码加权平均值？
如何使用numpy向量化有条件的掩码加权平均值？
提问于 2021-01-25 08:52:20
未矢量化的代码为：
import numpy as np
import numpy.ma as ma
np.random.seed(42)
H = np.random.uniform(0.1, 1.0, size=(6,8))
r, c = H.shape
mask = H.max(axis=1) > 0.95
x = np.linspace(0, 10, c)
weighted_averages = ma.masked_all((r,), dtype=H.dtype)
for i in range(r):
if mask[i]:
weighted_averages[i] = np.average(x, weights=H[i, :])下面是我对它进行向量化的尝试：
_, xx = np.mgrid[0:10:r*1j, 0:10:c*1j]
not_mask = np.logical_not(mask)
weighted_averages = np.average(xx, weights=H, axis=1)
mwa = ma.masked_array(weighted_averages, mask=not_mask)它是有效的，在某种意义上，输出是相同的，但我是在“作弊”，因为我首先计算所有的平均值，然后屏蔽“不想要的”值。我怎样才能避免不必要的计算？我猜我必须以某种方式屏蔽xx、H或两者。
回答 1
Stack Overflow用户
回答已采纳
发布于 2021-01-25 12:11:58
不如这样吧-
import numpy as np
import numpy.ma as ma
np.random.seed(42)
H = np.random.uniform(0.1, 1.0, size=(6,8))
r, c = H.shape
mask = H.max(axis=1) > 0.95
x = np.linspace(0, 10, c)
H_mask = H[mask]
wa = (np.sum(x * H_mask, axis=1))/np.sum(H_mask, axis=1)
weighted_averages = ma.masked_all((r,), dtype=H.dtype)
weighted_averages[mask] = wa只需先对数组进行掩码，然后取平均值。我不认为你可以在这里使用np.average，因为它似乎不支持广播。因此，只需手动计算平均值即可。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/65877624
复制相关文章
相似问题
腾讯云开发者
