NumPy中是否有可反向计算cumsum累计和的内置优化函数
用NumPy内置函数实现cumsum反向还原
可直接使用NumPy预优化的numpy.diff函数完成需求,该函数专门用于计算数组沿指定轴的相邻元素差值,完全覆盖你手写的切片减法逻辑,处理大数组时性能远高于手动实现。
一维数组还原示例
import numpy as np a = np.arange(1, 10) b = np.cumsum(a) # 内置函数实现还原 c = np.concatenate([[b[0]], np.diff(b)])
执行后c与原数组a完全一致:
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
逻辑说明
np.diff(b)直接计算累计和数组中相邻元素的差值,对应你手写的b[1:]-b[:-1]部分,是底层预编译的向量化操作,无Python层循环开销。- 由于
np.diff的输出长度比输入少1(一维场景下),只需将累计和的第一个元素拼接在diff结果的开头,即可得到完整的原始输入数组。
多维数组适配
如果原累计和是沿着指定轴计算的,只需给np.diff传入相同的axis参数,拼接操作也对应沿该轴执行即可:
# 沿axis=1计算累计和的多维数组 b_multi = np.cumsum(np.array([[1, 2, 3], [4, 5, 6]]), axis=1) # 对应反向还原 diff_part = np.diff(b_multi, axis=1) first_col = b_multi[:, [0]] c_multi = np.concatenate([first_col, diff_part], axis=1)
内容的提问来源于stack exchange,提问作者Matthew Baker
相关产品推荐
相关产品推荐

