假设我有一个 d
维数组,并且我想应用一个函数,该函数向每个元素返回一维数组,从而生成一个 d+1
维数组。与嵌入查找的工作原理非常相似。例如:
def f(x):
return np.array([x * i for i in range(6)])
m = np.random.randint(0,10, (2,3,4,5))
g = np.vectorize(f)
h = np.vectorize(f, otypes=[np.ndarray])
我希望 n=g(m)
具有形状 (2,3,4,5,6)
就像我写了 4
循环,将 f
应用于 m
中的每个元素。
但是,g
会引发错误:ValueError:用序列设置数组元素。
和 h
返回一个奇怪的数组,结尾如下:
...
[array([0, 9, 18, 27, 36, 45, 54, 63, 72]),
array([0, 5, 10, 15, 20, 25, 30, 35, 40]),
array([0, 7, 14, 21, 28, 35, 42, 49, 56]), ...,
array([0, 1, 2, 3, 4, 5, 6, 7, 8]),
array([0, 4, 8, 12, 16, 20, 24, 28, 32]),
array([0, 3, 6, 9, 12, 15, 18, 21, 24])]]]], dtype=object)
我无法改变我所期望的。
我收到了 @hpaulj 的评论,我只是找不到其他方法。
最佳答案
vectorize
添加了一个 signature
参数来执行您想要的操作。然而,它比 otypes
方法还要慢。为了完整起见,我将说明:
In [198]: def f(x):
...: return np.array([x * i for i in range(6)])
In [199]: g = np.vectorize(f, signature='()->(6)')
它采用任意形状的数组,并返回一个添加了 6 维的新数组:
In [202]: g(1)
Out[202]: array([0, 1, 2, 3, 4, 5])
In [203]: g(np.array([1,2]))
Out[203]:
array([[ 0, 1, 2, 3, 4, 5],
[ 0, 2, 4, 6, 8, 10]])
In [204]: g(np.array([[1],[2]]))
Out[204]:
array([[[ 0, 1, 2, 3, 4, 5]],
[[ 0, 2, 4, 6, 8, 10]]])
<小时/>
为了更快地完成此操作,您可以使用编译的 numpy
方法来编写 f
。没有一个函数可以采用 Python 函数并将其重写得更快。
对于这个f
,我们可以利用 numpy 广播并编写:
In [205]: def fn(x):
...: return x[...,None] * np.arange(6)
...:
In [207]: fn(np.array(1))
Out[207]: array([0, 1, 2, 3, 4, 5])
In [208]: fn(np.array([1,2]))
Out[208]:
array([[ 0, 1, 2, 3, 4, 5],
[ 0, 2, 4, 6, 8, 10]])
In [209]: fn(np.array([[1],[2]]))
Out[209]:
array([[[ 0, 1, 2, 3, 4, 5]],
[[ 0, 2, 4, 6, 8, 10]]])
这里矢量化很容易。有时它需要一些聪明的思考,有时这是不可能的(特别是如果问题本质上是串行的)。有一些工具可以通过迭代解决方案生成更快的编译代码,例如 numba 和 cython。
关于python - 将返回一维数组的函数应用于 numpy 数组的所有元素,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51540702/