使用numpy.bincount和数组权重

Question

我想用它bincount来求和数组,但它只支持双精度数.例如,这有效:

np.bincount([1, 1, 0],weights=np.array([1, 2, 4]))
Out: array([ 4.,  3.])

但是我想使用维度2数组:

np.bincount([1, 1, 0],weights=np.array([[1,1], [2,2], [4,4]]))
ValueError: object too deep for desired array

所需的输出是:

Out: array([[ 4.,  4.],[3., 3.]])

评论后更好的解释:

我想将数组的每一行加到相应的索引中.

循环它将是:

Bin=np.zeros(2,2)
for i in [1,1,0]:
    Bin[i]+=a[i]

a是先前的3x2矩阵是否有一种有效的方法来获得此结果？

Answer 1

根据 numpy 文档：

numpy.bincount(x, weights=None, minlength=None)

权重：类似数组，可选； 权重，与 x 形状相同的数组。

所以你不能bincount直接以这种方式使用，除非你x以某种方式进行改变。

编辑：所以我想出了一个稍微棘手的方法来做到这一点，但不能保证当你使用大型数组时的性能。基本上我将利用 scipy 稀疏矩阵如何处理相同索引处的重复条目（它们对它们求和）：

 from scipy.sparse import *
 a = np.array([[1,1], [2,2], [4,4]])
 ii = np.array([1, 1, 0])

 ares = a.reshape((-1,),order='F')
 # ares == array([1, 2, 4, 1, 2, 4])

 col = np.tile(ii,(a.shape[1],))
 # col == np.array([1, 1, 0, 1, 1, 0])

 row = np.tile([0,1],(a.shape[0],1)).reshape((-1,),order='F') 
 # row == np.array([0,0,0,1,1,1]) 

 g = coo_matrix((ares,(col,row)),shape=(2,2))
 print g.todense()     

现在您必须将其概括为您的精确数据。基本思想是，您希望将每个数据点映射到结果数组的正确元素，然后让稀疏数组处理重复条目的求和。

否则，如果您被迫使用循环来解决此问题，我会考虑使用 Cython。

编辑2：对于踢球，我计时了两种不同的方法：

import numpy as np
from scipy.sparse import *

def method1():
    return np.array([np.bincount(ii, r) for r in a.T]).T

def method2():
    ares = a.reshape((-1,),order='F')
    col = np.tile(ii,(a.shape[1],))
    row = np.tile(np.arange(a.shape[1]),(a.shape[0],1)).reshape((-1,),order='F') 

    return coo_matrix((ares,(col,row)),shape=(np.unique(ii).size,a.shape[1])).todense()

if __name__ == '__main__':
    from timeit import Timer

    a = np.random.randint(0,1000,(1000000,3))
    ii = np.random.randint(0,10,(a.shape[0],))

    N = 100
    t1 = Timer("method1()", "from __main__ import method1")
    t2 = Timer("method2()", "from __main__ import method2")
    print 't2/t1: %f' % (t2.timeit(N)/t1.timeit(N))

在我的机器上，method2速度大约比method1输入形状慢 3-5 倍，因此循环不一定是一个坏选择。