如何对形状为(1000,2048)的NumPy数组计算2048维均值向量？

你的问题出在遍历和均值计算的维度上：原函数是对**每个样本（每行）计算均值，所以得到1000个单值（每个样本的平均），最终输出形状为(1000,)。而你需要的是对每个特征维度（每列）**计算所有样本的均值，得到2048维的向量。

最优解法：直接用NumPy的axis参数 #

NumPy的mean函数支持指定计算均值的轴，直接指定axis=0就能沿着样本维度（第0轴）计算每列的均值，一步到位，效率远高于手动循环：

import numpy as np

def get_means(f_embeddings):
    return np.mean(f_embeddings, axis=0)

手动遍历的写法（如果需要循环实现） #

如果一定要用遍历方式，需要遍历每个特征索引，然后提取所有样本在该索引上的特征值计算均值：

import numpy as np

def get_means(f_embeddings):
    means = []
    # 遍历2048个特征维度
    for feature_idx in range(f_embeddings.shape[1]):
        # 取出所有样本的第feature_idx个特征，计算均值
        feature_mean = np.mean(f_embeddings[:, feature_idx])
        means.append(feature_mean)
    return np.array(means)

原函数问题的细节 #

原代码中for embedding in f_embeddings是遍历数组的第0轴，每次拿到的是一个形状为(2048,)的行向量（单张图像的特征），对其求均值会得到该图像所有特征的平均值（一个单值），最终收集1000个这样的值，所以输出形状为(1000,)。

内容的提问来源于stack exchange，提问作者Djanger