Python-总和4D数组

Python-总和4D数组

您可以使用einsum：

In [21]: np.einsum('ijkl->kl', M)Out[21]: array([[32,  8],       [16,  8]])

---

其他选项包括将前两个轴重塑为一个轴，然后调用

sum

：

In [24]: M.reshape(-1, 2, 2).sum(axis=0)Out[24]: array([[32,  8],       [16,  8]])

或两次调用sum方法：

In [26]: M.sum(axis=0).sum(axis=0)Out[26]: array([[32,  8],       [16,  8]])

但是使用起来

np.einsum

更快：

In [22]: %timeit np.einsum('ijkl->kl', M)100000 loops, best of 3: 2.42 µs per loopIn [25]: %timeit M.reshape(-1, 2, 2).sum(axis=0)100000 loops, best of 3: 5.69 µs per loopIn [43]: %timeit np.sum(M, axis=(0,1))100000 loops, best of 3: 6.08 µs per loopIn [33]: %timeit sum(sum(M))100000 loops, best of 3: 8.18 µs per loopIn [27]: %timeit M.sum(axis=0).sum(axis=0)100000 loops, best of 3: 9.83 µs per loop

---

注意：由于许多因素（ *** 作系统，NumPy版本，NumPy库，硬件等），timeit基准可能会有很大差异。有时，各种方法的相对性能也可能取决于M的大小。因此，有必要在更接近实际用例的M上进行自己的基准测试。

例如，对于稍大的数组

M

，

sum

两次调用方法可能是最快的：

In [34]: M = np.random.random((100,100,2,2))In [37]: %timeit M.sum(axis=0).sum(axis=0)10000 loops, best of 3: 59.9 µs per loopIn [39]: %timeit np.einsum('ijkl->kl', M)10000 loops, best of 3: 99 µs per loopIn [40]: %timeit np.sum(M, axis=(0,1))10000 loops, best of 3: 182 µs per loopIn [36]: %timeit M.reshape(-1, 2, 2).sum(axis=0)10000 loops, best of 3: 184 µs per loopIn [38]: %timeit sum(sum(M))1000 loops, best of 3: 202 µs per loop