python - 对数组数组中不同形状的数组的列求和 - Python 3.x

Question

我有一个包含二维数组的数组。 对于每个二维数组，我想对列求和，结果必须采用列形式。
我有一段代码可以做到这一点，但我觉得我没有最佳地利用 numpy。什么是最快做到这一点？
我当前的代码:

temp = [np.sum(l_i,axis=1).reshape(-1,1) for l_i in self.layer_inputs]

示例数组:

array([
    array([[  0.48517904, -11.10809746],
           [ 13.64104864,   5.77576326]]),
    array([[16.74109924, -3.28535518],
           [-4.00977275, -3.39593759],
           [ 5.9048581 , -1.65258805],
           [13.40762143, -1.61158724],
           [ 9.8634849 ,  8.02993728]]),
    array([[-7.61920427, -3.2314264 ],
           [-3.79142779, -2.44719713],
           [32.42085005,  4.79376209],
           [13.97676962, -1.19746096],
           [45.60100807, -3.01680368]]) 
], dtype=object)

预期结果示例:

[array([[-10.62291842],
       [ 19.41681191]]), 
 array([[13.45574406],
        [-7.40571034],
        [ 4.25227005],
        [11.7960342 ],
        [17.89342218]]), 
 array([[-10.85063067],
        [ -6.23862492],
        [ 37.21461214],
        [ 12.77930867],
        [ 42.58420439]])   ]

Answer 1

新答案

考虑到您对数组列表的严格要求，没有比计算效率更高的解决方案了。

原始答案

要利用 NumPy，请勿使用数组列表:dtype=object 提示您将无法使用矢量化运算。

相反，合并成一个数组，例如通过np.vstack，并存储分割索引。如果您需要数组列表，请使用 np.split 作为最后一步。但这种在列表和单个数组之间不断切换的成本很高。实际上，您应该尝试仅存储拆分和单个数组，即下面的 idx 和 data。

idx = np.array(list(map(len, A))).cumsum()[:-1]  # [2, 7]
data = np.vstack(A).sum(1)