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 требуется повторное использование.

Параметры

arrayarray_like

Массив, к которому применяется операция.

axisint, необязательно

Ось, по которой применять накопление; по умолчанию ноль.

dtypeкод типа данных, необязательно

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

outndarray, None или кортеж из ndarray и None, необязательно

Расположение, в которое сохраняется результат. Если не указано или равно None, возвращается новый массив. Для согласованности с ufunc.__call__, если задан в качестве ключевого слова, он может быть заключён в кортеж из одного элемента.

Изменено в версии 1.13.0: Допускаются кортежи в качестве ключевого аргумента.

Возвращает

rndarray

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), через строки:

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