numpy.cumsum

numpy.cumsum(a, axis=None, dtype=None, out=None) [source]

Возвращает кумулятивную сумму элементов по заданной оси.

Параметры:

a : array_like Входной массив. axis : int, необязательно Ось, по которой вычисляется кумулятивная сумма. По умолчанию (None) вычисляется кумулятивная сумма по сглаженному массиву. dtype : dtype, необязательно Тип возвращаемого массива и аккумулятора, в котором суммируются элементы. Если dtype не указан, он по умолчанию равен типу a, за исключением случаев, когда a имеет целочисленный тип с точностью меньше, чем у целочисленного типа по умолчанию для данной платформы. В этом случае используется целочисленный тип по умолчанию для данной платформы. out : ndarray, необязательно Альтернативный массив вывода, в который следует поместить результат. Он должен иметь ту же форму и длину буфера, что и ожидаемый результат, но тип будет преобразован при необходимости. См. doc.ufuncs (Раздел «Аргументы вывода») для получения дополнительной информации.

Возвращает:

cumsum_along_axis : ndarray. Возвращается новый массив, содержащий результат, если не указан out, в противном случае возвращается ссылка на out. Результат имеет тот же размер, что и a, и ту же форму, что и a, если axis не равно None или a является одномерным массивом.

См. также

sum

Сумма элементов массива.

trapz

Интегрирование значений массива с использованием составного правила трапеций.

diff

Вычисление n-й дискретной разницы по заданной оси.

Примечания

Арифметические операции используют модульное вычисление при использовании целочисленных типов, и ошибки переполнения не генерируются.

Примеры

>>> a = np.array([[1,2,3], [4,5,6]])
>>> a
array([[1, 2, 3],
       [4, 5, 6]])
>>> np.cumsum(a)
array([ 1,  3,  6, 10, 15, 21])
>>> np.cumsum(a, dtype=float)     # specifies type of output value(s)
array([  1.,   3.,   6.,  10.,  15.,  21.])

>>> np.cumsum(a,axis=0)      # sum over rows for each of the 3 columns
array([[1, 2, 3],
       [5, 7, 9]])
>>> np.cumsum(a,axis=1)      # sum over columns for each of the 2 rows
array([[ 1,  3,  6],
       [ 4,  9, 15]])