我遇到了 numpy.apply_along_axis 在某些代码中起作用。我不明白有关它的文档。
这是文档的一个示例：
>>> def new_func(a):
... """Divide elements of a by 2."""
... return a * 0.5
>>> b = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> np.apply_along_axis(new_func, 0, b)
array([[ 0.5, 1. , 1.5],
[ 2. , 2.5, 3. ],
[ 3.5, 4. , 4.5]])
至于我认为我理解文档，我原以为：
array([[ 0.5, 1. , 1.5],
[ 4 , 5 , 6 ],
[ 7 , 8 , 9 ]])
即沿轴线施加功能 [1,2,3] 这是轴 0 在[[1,2,3]，[4,5,6]，[7,8,9]]
显然我错了。你能纠正我吗？
apply_along_axis 沿着输入数组的1D切片应用提供的函数，沿您指定的轴截取切片。所以在你的例子中， new_func 沿第一轴应用于阵列的每个切片。如果使用向量值函数而不是标量，它会变得更清晰：
In [20]: b = np.array([[1,2,3], [4,5,6], [7,8,9]])
In [21]: np.apply_along_axis(np.diff,0,b)
Out[21]:
array([[3, 3, 3],
[3, 3, 3]])
In [22]: np.apply_along_axis(np.diff,1,b)
Out[22]:
array([[1, 1],
[1, 1],
[1, 1]])
这里， numpy.diff 沿着输入数组的第一或第二轴（维度）的每个切片施加。
该功能在轴= 0的1-d阵列上执行。您可以使用“axis”参数指定另一个轴。这种范例的用法是：
np.apply_along_axis(np.cumsum, 0, b)
该功能在尺寸为0的每个子阵列上执行。因此，它用于1-D功能，并为每个1-D输入返回1D阵列。
另一个例子是：
np.apply_along_axis(np.sum, 0, b)
为1-D阵列提供标量输出。 当然你可以用cumsum或sum来设置轴参数来做上面的事情，但这里的要点是它可以用于你编写的任何1-D函数。