Суммы массивов в массиве

Question

Есть ли быстрый способ сделать это;

import numpy as np 
a=np.array([1,2,3,4]) 
b=np.array([1,2]) 
c=np.array([a,b]) 
result=magic(c) 

, где magic() это функциональность я хочу, и результат должен быть np.array([10,3]) т.е. numpy.array, содержащие суммы каждого из входных массивов.

Answer 1

Из множества возможных решений, это один:

def your_magic(arr): 
    res = np.empty_like(arr) 
    for enu, subarr in enumerate(arr): 
     res[enu] = np.sum(subarr) 
    return res 

Будьте внимательны, хотя, что создание NumPy массив неравных массивов длины не является эффективным на всех и просто очень похож на добавление массивов в обычном Python список. Именно по этой причине возвращаемый массив res в вышеприведенной функции будет в общем случае иметь dtype object.

Answer 2

Вот подборка предложений (ответы и комментарии) и их тайминги:

import numpy as np 

c = np.array([np.random.rand(np.random.randint(1, 300)) for i in range(50)]) 

def oliver(arr): 
    res = np.empty_like(arr) 
    for enu, subarr in enumerate(arr): 
     res[enu] = np.sum(subarr) 
    return res 

def reut(arr): 
    return np.array([a.sum() for a in arr]) 

def hpaulj(arr): 
    d = np.concatenate(arr) 
    l = map(len, arr) 
    i = np.cumsum(l) - l 
    return np.add.reduceat(d, i) 

И их времена:

In [94]: timeit oliver(c) 
1000 loops, best of 3: 457 µs per loop 

In [95]: timeit reut(c) 
1000 loops, best of 3: 317 µs per loop 

In [96]: timeit hpaulj(c) 
10000 loops, best of 3: 94.4 µs per loop 

Это было несколько сложнее реализовать @ hpaulj, но я думаю, что я (и это самый быстрый, если вы используете concatenate вместо hstack)