numpy.ufunc.accumulate

метод

ufunc.accumulate(array, axis=0, dtype=None, out=None)

Накапливает результат применения оператора ко всем элементам.

Для одномерного массива accumulate производит результаты, эквивалентные:

r = np.empty(len(A))
t = op.identity        # op = the ufunc being applied to A's  elements
for i in range(len(A)):
    t = op(t, A[i])
    r[i] = t
return r

Например, add.accumulate() эквивалентно np.cumsum().

Для многомерного массива accumulate применяется только по одной оси (по умолчанию по оси ноль; см. Примеры ниже), поэтому для накопления по нескольким осям необходимо использовать его повторно.

Параметры:

array : array_like Массив, к которому применяется операция. axis : int, optional Ось, по которой применяется накопление; по умолчанию ноль. dtype : data-type code, optional Тип данных, используемый для представления промежуточных результатов. По умолчанию совпадает с типом данных выходного массива, если он указан, или с типом данных входного массива, если выходной массив не указан. out : ndarray, None, or tuple of ndarray and None, optional Расположение, в которое сохраняется результат. Если не указано или None, возвращается только что выделенный массив. Для согласованности с ufunc.__call__, если указано в качестве ключевого аргумента, это может быть заключено в кортеж из одного элемента. Изменено в версии 1.13.0: Разрешены кортежи для ключевого аргумента.

Возвращает:

r : ndarray Накопленные значения. Если out был предоставлен, r является ссылкой на out.

Примеры

Примеры одномерных массивов:

>>> np.add.accumulate([2, 3, 5])
array([ 2,  5, 10])
>>> np.multiply.accumulate([2, 3, 5])
array([ 2,  6, 30])

Примеры двумерных массивов:

>>> I = np.eye(2)
>>> I
array([[ 1.,  0.],
       [ 0.,  1.]])

Накопление по оси 0 (строки), вниз по столбцам:

>>> np.add.accumulate(I, 0)
array([[ 1.,  0.],
       [ 1.,  1.]])
>>> np.add.accumulate(I) # no axis specified = axis zero
array([[ 1.,  0.],
       [ 1.,  1.]])

Накопление по оси 1 (столбцы), по строкам:

>>> np.add.accumulate(I, 1)
array([[ 1.,  1.],
       [ 0.,  1.]])