numpy.ufunc.accumulate

метод

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

Накопление результата 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 ось ноль; см. примеры ниже), поэтому для накопления по нескольким осям необходимо использовать его повторно.

Параметры

arrayarray_like

Массив, к которому применяется операция.

axisint, optional

Ось, вдоль которой применять накопление; по умолчанию ноль.

dtypedata-type code, optional

Тип данных, используемый для представления промежуточных результатов. По умолчанию — тип данных выходного массива, если он предоставлен, или тип данных входного массива, если выходной массив не предоставлен.

outndarray, None, or tuple of ndarray and None, optional

Расположение, в которое сохраняется результат. Если не указано или равно None, возвращается свежевыделенный массив. Для согласованности с ufunc.__call__, если задано в качестве ключевого параметра, это может быть обернуто в кортеж из 1 элемента.

Изменено в версии 1.13.0: Разрешены кортежи для ключевого аргумента.

Возвращаемое значение

rndarray

Значения, полученные путём накопления. Если out был предоставлен, r является ссылкой на out.

Примеры

Примеры одномерного массива:

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

Примеры двумерного массива:

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

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

>>> 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.]])