python - Numpy 逐 block 减少操作

Question

我认为自己是一位经验丰富的 numpy 用户，但我无法找到以下问题的解决方案。假设有以下数组:

# sorted array of times
t = numpy.cumsum(numpy.random.random(size = 100))
#  some values associated with the times
x = numpy.random.random(size=100)
# some indices into the time/data array
indices = numpy.cumsum(numpy.random.randint(low = 1, high=10,size = 20)) 
indices = indices[indices <90] # respect size of 100
if len(indices) % 2: # make number of indices even
    indices = indices[:-1]

# select some starting and end indices
istart = indices[0::2]
iend   = indices[1::2]

我现在想要的是在给定由 istart 和 iend 表示的间隔的情况下减少值数组 x。即

# e.g. use max reduce, I'll probably also need mean and stdv
what_i_want = numpy.array([numpy.max(x[is:ie]) for is,ie in zip(istart,iend)])

我已经在谷歌上搜索了很多，但我所能找到的只是通过 stride_tricks 进行的分 block 操作，它只允许常规 block 。如果不执行 python 循环，我无法找到解决方案:-(在我的实际应用程序中，数组要大得多，性能也很重要，所以我暂时使用 numba.jit。

我是否缺少任何能够做到这一点的 numpy 函数？

Answer 1

你看过ufunc.reduceat了吗？ ？使用 np.maximum，您可以执行以下操作:

>>> np.maximum.reduceat(x, indices)

沿切片 x[indices[i]:indices[i+1]] 产生最大值。要得到你想要的 (x[indices[2i]:indices[2i+1])，你可以这样做

>>> np.maximum.reduceat(x, indices)[::2]

如果您不介意 x[inidices[2i-1]:indices[2i]] 的额外计算。这会产生以下结果:

>>> numpy.array([numpy.max(x[ib:ie]) for ib,ie in zip(istart,iend)])
array([ 0.60265618,  0.97866485,  0.78869449,  0.79371198,  0.15463711,
        0.72413702,  0.97669218,  0.86605981])

>>> np.maximum.reduceat(x, indices)[::2]
array([ 0.60265618,  0.97866485,  0.78869449,  0.79371198,  0.15463711,
        0.72413702,  0.97669218,  0.86605981])