（这个问题类似于Numpy averaging with multi-dimensional weights along an axis，但更复杂。）
我有一个numpy数组，d，d.shape=(16,3,90,144)和一个numpy权重数组，e，e.shape=(16,3)我想用a沿轴1取e的加权平均值。所以输出应该是一个numpy数组，其形状(16,90,144)我可以通过一个列表理解来完成这个任务：
np.array([np.average(d[n], weights=e[n], axis=0) for n in range(16)])
但和前面的问题一样，我希望避免从列表转换回numpy数组这种情况比前一个问题更复杂，因为每次的权重都不相同（即
weights=e[n]，而不是weights=b）。有人能帮忙吗？谢谢！
最佳答案
最好直接使用np.average。但是，要做到这一点，d和权重e必须具有相同的形状，并且广播在这里不是为您隐式地完成的。
显式广播e（使用np.broadcast_arrays）使其具有与d相同的形状是可能的，但会浪费内存。因此，与其这样做，不如看看source code defining numpy.average并尝试重新计算：
In [121]: d = np.random.random((16,3,90,144))
In [122]: e = np.random.random((16,3))
In [123]: f = e[:,:,None,None]
In [124]: scl = f.sum(axis = 1)
In [125]: avg = np.multiply(d,f).sum(axis = 1)/scl
下面检查计算返回的结果是否与列表理解相同：
In [126]: avg_lc = np.array([np.average(d[n], weights=e[n], axis=0) for n in range(d.shape[0])])
In [127]: np.allclose(avg, avg_lc)
Out[127]: True
关于python - 没有列表理解的2D权重数组的4D数组的Numpy加权平均值，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/14540569/