将具有形状 （x，y，z） 和 （x，） 的 numpy 数组相乘和

Question

所以我有一个3D数据集（x，y，z），我想用一组权重对其中一个轴（x）求和，w = w（x）。我正在求和的开始和结束索引对于每个（y，z）都是不同的，我通过屏蔽3D数组解决了这个问题。对于我没有求和的两个变量，权重是恒定的。关于实现和数学的答案都是值得赞赏的（有没有一种聪明的方法？我有一个形状 （x，y，z） 的 3D 遮罩数组 （A） 和一个形状 （x，） 的 1D 数组 （t）。有没有一种好方法可以将A中的每个（y，z）元素与t中的相应数字相乘，而无需将t扩展到3D数组？我目前的解决方案是使用np.tensordot来制作一个与A形状相同的3D数组，该数组包含所有t值，但是花费运行时构建“new_t”数组感觉非常不令人满意，该数组实际上只是t的y * z副本。当前解决方案示例：a1 = np.array([[1,2,3,4],               [5,6,7,8],               [9,10,11,12]])a2 = np.array([[0,1,2,3],               [4,5,6,7],               [8,9,10,11]])#note: A is a masked array, mask is a 3D array of boolsA = np.ma.masked_array([a1,a2],mask)t = np.array([10,11])new_t = np.tensordot(t, np.ones(A[0].shape), axes = 0)return np.sum(A*new_t, axis=0)从本质上讲，我想以尽可能短的运行时间对所有i，j执行t*A[：，i，j]，最好不使用太多其他库，而不是numpy和scipy。产生所需输出的另一种方法（同样，运行时间太长）：B = [[t*A[:,i,j] for j in range(A.shape[2])] for i in range(A.shape[1])]return np.sum(B,axis=2)

Answer 1

arr1 = np.tensordot(A.T,t,axes=1).T

arr1

array([[ 10,  31,  52,  73],

       [ 94, 115, 136, 157],

       [178, 199, 220, 241]])

Answer 2

像@alyhosny建议的那样使用张量是有效的，但是使用零替换掩蔽的值

A = np.ma.MaskedArray.filled(A,0)

在与einsum求和之前（感谢@phipsgabler）给了一半的运行时间。最终代码：

A = np.ma.MaskedArray(A,mask)

A = np.ma.MaskedArray.filled(A,0)

return np.einsum('ijk,i->jk',A,t)