如何对3D Numpy数组计算跨类别的特征重要性平均绝对值？

处理多维数组时我常常感到困惑。假设有如下嵌套数组，其中每个子数组对应数据集里的一个类别（共5个类别），每个类别下包含4个样本的3个特征重要性分数。

import numpy as np
arr = np.random.randn(5,4,3).round(1)

arr
array([[[ 0.7, -0.1,  0.6],   # 类别0的特征重要性
        [-0.8, -0.7,  1.4],
        [ 1.4, -0.1,  1.4],
        [-1.8, -1.2, -1.6]],

       [[-0.3,  2.1,  0.5],  # 类别1的特征重要性
        [-1.2,  1.4, -0.4],
        [ 0. , -1. ,  0.8],
        [-0.8,  2.3,  0.3]],

       [[ 0.2,  0.6, -0.1],  # 类别2的特征重要性
        [-1.8, -0.2,  1.2],
        [-0.5,  0.5,  1. ],
        [ 1.3,  0.4, -2.6]],

       [[-1. ,  0.8, -0.4],  # 类别3的特征重要性
        [ 1.2,  1.5, -0.5],
        [ 0.1, -0.5,  0.8],
        [ 2.5, -1.6, -0.6]],

       [[-1.2,  0.3, -0.9],  # 类别4的特征重要性
        [ 1. , -1. , -0.5],
        [ 0.3,  1.4,  0.5],
        [-2.3,  0.6,  0.2]]])

我需要计算跨所有类别的特征重要性的平均绝对值，理想结果是形状为(3,)的一维数组，以下是特征1的计算示例：

Feature1 = sum( abs(x) for x in [0.7,-0.8, 1.4, -1.8, -0.3, -1.2, 0.0, -0.8, 0.2, -1.8, -0.5, 1.3,  
               -1.0, 1.2, 0.1, 2.5, -1.2, 1.0, 0.3, -2.3] ) / 12    # n = 12

内容的提问来源于stack exchange，提问作者Amina Umar