You need to enable JavaScript to run this app. 如何高效计算NumPy二维数组的不规则分组块均值
优惠活动
大模型
产品
解决方案
定价
更多

如何高效计算NumPy二维数组的不规则分组块均值

非等大分组场景下NumPy二维数组块均值的高效实现

本方案完全向量化实现,不依赖等块尺寸假设、不嵌套Python循环,计算效率远高于逐块遍历的传统循环方案。

实现思路

借助one-hot编码匹配分组规则,通过NumPy原生矩阵乘法完成块元素的聚合统计,替代逐块遍历的循环逻辑:

  • 将每行的分组标签转换为对应维度的one-hot矩阵:矩阵行与原数组的行一一对应,某行属于哪个分组,该位置对应列的值为1,其余位置为0
  • 按照相同逻辑,将每列的分组标签转换为列方向的one-hot矩阵
  • 通过两次矩阵乘法,直接聚合得到每个块的元素总和、每个块的元素个数,两者做除法即可得到块均值结果

可直接运行的实现代码

import numpy as np

# 输入示例
data = np.array([[7, 1, 6, 6, 4, 2],
       [8, 5, 5, 6, 3, 5],
       [3, 1, 7, 1, 3, 4],
       [6, 8, 3, 2, 3, 3],
       [8, 6, 7, 1, 1, 3],
       [8, 5, 4, 5, 1, 4]])
row_group_labels = np.array([0, 0, 1, 1, 1, 2])
col_group_labels = np.array([0, 0, 1, 1, 1, 2])

# 生成分组one-hot编码矩阵
n_row_groups = row_group_labels.max() + 1
n_col_groups = col_group_labels.max() + 1
row_onehot = np.eye(n_row_groups)[row_group_labels]
col_onehot = np.eye(n_col_groups)[col_group_labels]

# 聚合计算块的元素总和、块内元素数量
block_total = row_onehot.T @ data @ col_onehot
block_element_count = row_onehot.T @ np.ones_like(data) @ col_onehot

# 得到最终块均值矩阵
block_mean_result = block_total / block_element_count

代码运行输出结果与示例给出的预期块均值矩阵完全匹配。

方案特性

  • 所有计算环节均调用NumPy底层C实现的矩阵运算,高频重复调用场景下,性能比Python嵌套循环高1~2个数量级
  • 不强制要求块尺寸相等,完全适配任意大小分组的切片规则
  • 无冗余内存拷贝,临时矩阵尺寸和分组数、原数组维度线性相关,大数组场景下的内存开销可控
  • 支持任意连续整数格式的分组标签;如果分组标签是离散非连续值,可通过np.unique(labels, return_inverse=True)提前转换为连续编码,无需改动核心计算逻辑

内容的提问来源于stack exchange,提问作者kbonna

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.29 18:24:04