非整数倍场景下如何实现NumPy数组分辨率降低及列维度求和聚合

原代码报错的核心是reshape方法要求拆分后的所有维度乘积必须与原维度总元素数完全匹配，当列数无法被integration_value整除时，拆分后的维度乘积和原数组元素数不一致，因此触发报错。

我们可以选择两种常用的不整除场景处理逻辑：丢弃无法凑整的末尾列、或者给末尾补0凑整，修改后的实现如下：

import numpy as np

def integrator(data, integration_value, pad=False):
    # 适配你提供的数组形状：(列数=200, 行数=2700)
    col_count, row_count = data.shape
    remainder = col_count % integration_value
    
    if pad:
        # 方案1：末尾补0凑整，不丢弃任何数据
        pad_length = (integration_value - remainder) % integration_value
        processed_data = np.pad(data, ((0, pad_length), (0, 0)), mode="constant")
    else:
        # 方案2：丢弃无法凑成一组的末尾remainder列
        valid_col = col_count - remainder
        processed_data = data[:valid_col, :]
    
    # 按integration_value拆分列维度后求和聚合
    new_col_count = processed_data.shape[0] // integration_value
    return processed_data.reshape(new_col_count, integration_value, row_count).sum(axis=1)

• 丢弃多余列场景（比如integration_value=7时，自动丢弃最后4列）

# 输出形状为(28, 2700)
newarray = integrator(array, integration_value=7)

• 补零凑整场景（比如integration_value=7时，给末尾补3列0再聚合）

# 输出形状为(29, 2700)
newarray = integrator(array, integration_value=7, pad=True)

如果你的数组实际维度是常规的(行数=2700, 列数=200)，只需要把函数内的维度对应调整即可：reshape改为(row_count, new_col_count, integration_value)，sum的轴改为2。

内容的提问来源于stack exchange，提问作者python_student