我想将一个数组 b
广播到它与另一个数组 a
进行算术运算时的形状。
例如,如果 a.shape = (3,3)
和 b
是一个标量,我想得到一个数组,其形状是 (3 ,3)
并填充标量。
一种方法是这样的:
>>> import numpy as np
>>> a = np.arange(9).reshape((3,3))
>>> b = 1 + a*0
>>> b
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
虽然这实际上可行,但我不禁觉得它看起来有点奇怪,而且对于其他查看代码的人来说我正在尝试做的事情并不明显。
有没有更优雅的方法来做到这一点?我查看了 np.broadcast
的文档,但速度要慢几个数量级。
In [1]: a = np.arange(10000).reshape((100,100))
In [2]: %timeit 1 + a*0
10000 loops, best of 3: 31.9 us per loop
In [3]: %timeit bc = np.broadcast(a,1);np.fromiter((v for u, v in bc),float).reshape(bc.shape)
100 loops, best of 3: 5.2 ms per loop
In [4]: 5.2e-3/32e-6
Out[4]: 162.5
最佳答案
如果您只想用标量填充数组,fill
可能是最佳选择。但听起来你想要更笼统的东西。您可以使用 broadcast_arrays
而不是使用 broadcast
来获得(我认为)您想要的结果。
>>> a = numpy.arange(9).reshape(3, 3)
>>> numpy.broadcast_arrays(a, 1)[1]
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
这推广到任何两个可广播形状:
>>> numpy.broadcast_arrays(a, [1, 2, 3])[1]
array([[1, 2, 3],
[1, 2, 3],
[1, 2, 3]])
它不如基于 ufunc
的方法快,但仍处于同一数量级:
>>> %timeit 1 + a * 0
10000 loops, best of 3: 23.2 us per loop
>>> %timeit numpy.broadcast_arrays(a, 1)[1]
10000 loops, best of 3: 52.3 us per loop
但是标量,fill
仍然是明显的领先者:
>>> %timeit b = numpy.empty_like(a, dtype='i8'); b.fill(1)
100000 loops, best of 3: 6.59 us per loop
最后,进一步的测试表明最快的方法——至少在某些情况下——是乘以ones
:
>>> %timeit numpy.broadcast_arrays(a, numpy.arange(100))[1]
10000 loops, best of 3: 53.4 us per loop
>>> %timeit (1 + a * 0) * numpy.arange(100)
10000 loops, best of 3: 45.9 us per loop
>>> %timeit b = numpy.ones_like(a, dtype='i8'); b * numpy.arange(100)
10000 loops, best of 3: 28.9 us per loop
关于python - 有没有更好的方法来广播数组?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/11622692/