python - numpy - 向量化函数 : apply_over_axes/apply_along_axis

Question

我想计算一个 mm*n 维数组的 mm 个子数组的行列式，并希望以快速/更优雅的方式执行此操作。蛮力方法有效:

import numpy as n

array=n.array([[[0.,1.,2.,3.],[2,1,1,0]],[[0.5, 0.5,2,2],[0.5,1,0,2]]])
detarray=n.zeros(4)
for i in range(4):
    detarray[i]= n.linalg.det(array[:,:,i])

我会尝试使用 apply_along_axis 来执行此操作，但我知道这仅适用于函数的一维参数，因此我认为我无法使其正常工作。

但是，我认为 apply_over_axes 也应该有效:

n.apply_over_axes(n.linalg.det, array, [0,1])

但这给了我一个错误: “det() 恰好接受 1 个参数(给定 2 个)”

有谁知道为什么这不起作用？如果使用 apply_over_axes 确实无法进行此类计算，是否有比 for 循环更好的方法？

Answer 1

利用transpose semantics of NumPy对于 3D 数组，您可以简单地将转置数组传递给 numpy.linalg.det()如:

In [13]: arr = np.array([[[0.,1.,2.,3.], 
                          [2, 1, 1, 0]], 

                         [[0.5, 0.5,2,2],
                          [0.5, 1, 0, 2]]])

In [14]: np.linalg.det(arr.T)
Out[14]: array([-1. ,  0.5, -2. ,  6. ])

---

在性能方面，这种方法似乎是使用 numpy.moveaxis 手动移动轴的其他方法的两倍

In [29]: %timeit np.linalg.det(np.moveaxis(arr, 2, 0))
12.9 µs ± 192 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [30]: %timeit np.linalg.det(arr.T)
6.2 µs ± 136 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)