假设我有一个矩阵 M_1
维度 (M, A) 和矩阵 M_2
尺寸(M,B)。 M_1 < M_2
的结果应该是维数 (M, B, A) 的矩阵,其中 M1
中的每一行正在与 M_2
对应行的每个元素进行比较并为每次比较给出一个 bool 向量(或 1,0 向量)。
例如,如果我有一个矩阵
M1 = [[1,2,3]
[3,4,5]]
M2 = [[1,2],
[3,4]]
result should be [[[False, False, False],
[True, False, False]],
[[False, False, False],
[True, False, False]]]
目前,我正在使用 for 循环,当我不得不多次重复此操作(需要几个月)时,它会非常慢。希望有一种矢量化的方法可以做到这一点。如果没有,我还能做什么?
我正在查看 M_1
是 (500, 3000000) 和 M_2
为 (500, 500) 并重复约 10000 次。
最佳答案
对于 NumPy 数组,使用 None/np.newaxis
扩展 dims,这样第一个轴对齐,而第二个轴展开,这样可以在一个元素时尚。最后做比较利用 broadcasting
对于矢量化解决方案 -
M1[:,None,:] < M2[:,:,None]
sample 运行-
In [19]: M1
Out[19]:
array([[1, 2, 3],
[3, 4, 5]])
In [20]: M2
Out[20]:
array([[1, 2],
[3, 4]])
In [21]: M1[:,None,:] < M2[:,:,None]
Out[21]:
array([[[False, False, False],
[ True, False, False]],
[[False, False, False],
[ True, False, False]]])
对于列表作为输入,使用 numpy.expand_dims
然后比较 -
In [42]: M1 = [[1,2,3],
...: [3,4,5]]
...:
...: M2 = [[1,2],
...: [3,4]]
In [43]: np.expand_dims(M1, axis=1) < np.expand_dims(M2, axis=2)
Out[43]:
array([[[False, False, False],
[ True, False, False]],
[[False, False, False],
[ True, False, False]]])
进一步提升
利用杠杆进一步提升 multi-core
with numexpr
module对于大数据 -
In [44]: import numexpr as ne
In [52]: M1 = np.random.randint(0,9,(500, 30000))
In [53]: M2 = np.random.randint(0,9,(500, 500))
In [55]: %timeit M1[:,None,:] < M2[:,:,None]
1 loop, best of 3: 3.32 s per loop
In [56]: %timeit ne.evaluate('M1e<M2e',{'M1e':M1[:,None,:],'M2e':M2[:,:,None]})
1 loop, best of 3: 1.53 s per loop
关于python - 在numpy中获得matrix < matrix结果的最快方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50943043/