在numpy数组上映射函数的最有效方法是什么?我目前正在做:
import numpy as np
x = np.array([1, 2, 3, 4, 5])
# Obtain array of square of each element in x
squarer = lambda t: t ** 2
squares = np.array([squarer(xi) for xi in x])
然而，这可能非常低效，因为我在将新数组转换回numpy数组之前，使用列表推导式将其构造为Python列表。我们能做得更好吗?
当前回答
编辑:原来的答案是误导性的，np。SQRT直接应用于数组，开销很小。
在多维情况下，您希望应用一个内建函数，操作1d数组numpy。Apply_along_axis是一个不错的选择，对于numpy和scipy中更复杂的函数组合也是如此。
先前的误导性陈述:
添加方法:
def along_axis(x):
return np.apply_along_axis(f, 0, x)
perfplot代码给出接近np.sqrt的性能结果。
其他回答
就像在这篇文章中提到的，像这样使用生成器表达式:
numpy.fromiter((<some_func>(x) for x in <something>),<dtype>,<size of something>)
我相信在numpy的新版本(我使用1.13)中，您可以简单地通过将numpy数组传递给您为标量类型编写的函数来调用该函数，它将自动应用函数调用到numpy数组上的每个元素，并返回另一个numpy数组
>>> import numpy as np
>>> squarer = lambda t: t ** 2
>>> x = np.array([1, 2, 3, 4, 5])
>>> squarer(x)
array([ 1, 4, 9, 16, 25])
编辑:原来的答案是误导性的，np。SQRT直接应用于数组，开销很小。
在多维情况下，您希望应用一个内建函数，操作1d数组numpy。Apply_along_axis是一个不错的选择，对于numpy和scipy中更复杂的函数组合也是如此。
先前的误导性陈述:
添加方法:
def along_axis(x):
return np.apply_along_axis(f, 0, x)
perfplot代码给出接近np.sqrt的性能结果。
使用numpy.vectorize怎么样?
import numpy as np
x = np.array([1, 2, 3, 4, 5])
squarer = lambda t: t ** 2
vfunc = np.vectorize(squarer)
vfunc(x)
# Output : array([ 1, 4, 9, 16, 25])
我已经测试了所有建议的方法加上np。数组(list(map(f, x)))和perfplot(我的一个小项目)。
消息#1:如果可以使用numpy的本机函数，就使用它。
如果你试图向量化的函数已经被向量化了(就像原始文章中的x**2例子)，使用它比其他任何方法都快得多(注意对数尺度):
如果你真的需要向量化，用哪个变量并不重要。
代码重现图:
import numpy as np
import perfplot
import math
def f(x):
# return math.sqrt(x)
return np.sqrt(x)
vf = np.vectorize(f)
def array_for(x):
return np.array([f(xi) for xi in x])
def array_map(x):
return np.array(list(map(f, x)))
def fromiter(x):
return np.fromiter((f(xi) for xi in x), x.dtype)
def vectorize(x):
return np.vectorize(f)(x)
def vectorize_without_init(x):
return vf(x)
b = perfplot.bench(
setup=np.random.rand,
n_range=[2 ** k for k in range(20)],
kernels=[
f,
array_for,
array_map,
fromiter,
vectorize,
vectorize_without_init,
],
xlabel="len(x)",
)
b.save("out1.svg")
b.show()
