代码之家 › 专栏 › 技术社区 › Him

numpy矢量化增维函数

numpy python

Him · 技术社区 · 8 年前

我想创建一个具有输入的函数: x.shape==(2,2) ,和输出 y.shape==(2,2,3) .

例如:

@np.vectorize
def foo(x):
  #This function doesn't work like I want
  return x,x,x

a = np.array([[1,2],[3,4]])
print(foo(a))
#desired output
[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]

#actual output
(array([[1, 2],
   [3, 4]]), array([[1, 2],
   [3, 4]]), array([[1, 2],
   [3, 4]]))

或者可能:

@np.vectorize
def bar(x):
  #This function doesn't work like I want
  return np.array([x,2*x,5])

a = np.array([[1,2],[3,4]])
print(bar(a))
#desired output
[[[1 2 5]
  [2 4 5]]

 [[3 6 5]
  [4 8 5]]]

请注意 foo 这只是一个例子。我想要一种方法 map 在numpy数组上(这是向量化应该做的),但是 地图 取一个0d对象,将一个1d对象推到位。在我看来,这里的维度也是任意的,因为人们可能希望使用一个函数,该函数接受一个1d对象并返回一个3d对象,将其矢量化,在5d对象上调用它,然后返回一个7d对象。。。。然而,我的特定用例只需要将0d矢量化为1d函数,并将其适当映射到2d数组上。

3 回复 | 直到 8 年前

hpaulj 8 年前

在你的问题中,这将有助于显示实际结果和你想要的结果。正如所写的那样,这还不是很清楚。

In [79]: foo(np.array([[1,2],[3,4]]))
Out[79]: 
(array([[1, 2],
        [3, 4]]), array([[1, 2],
        [3, 4]]), array([[1, 2],
        [3, 4]]))

如中所示 vectorize docs,这返回了一个数组元组,对应于函数返回的值元组。

你的 bar 返回一个数组,其中 矢量化 应返回标量(或单个值):

In [82]: bar(np.array([[1,2],[3,4]]))
ValueError: setting an array element with a sequence.

矢量化 需要 otypes 有时有用的参数。例如,如果我这么说 酒吧 (没有包装器)返回一个对象,我得到:

In [84]: f=np.vectorize(bar, otypes=[object])

In [85]: f(np.array([[1,2],[3,4]]))
Out[85]: 
array([[array([1, 2, 5]), array([2, 4, 5])],
       [array([3, 6, 5]), array([4, 8, 5])]], dtype=object)

由(3,)个数组组成的(2,2)个数组。这个 (2,2) 形状与输入的形状匹配。

矢量化 有一个相对较新的参数, signature

In [90]: f=np.vectorize(bar, signature='()->(n)')

In [91]: f(np.array([[1,2],[3,4]]))
Out[91]: 
array([[[1, 2, 5],
        [2, 4, 5]],

       [[3, 6, 5],
        [4, 8, 5]]])
In [92]: _.shape
Out[92]: (2, 2, 3)

我没怎么用过这个,所以我还是对它的工作原理有所了解。当我测试它时,它比的原始标量版本慢 矢量化 . 两者都没有显式循环的速度优势。然而 矢量化 在“广播”时有帮助,允许您使用各种输入形状。如果函数需要多个输入,而不是像本例中那样只需要一个输入,那么这将更加有用。

In [94]: f(np.array([1,2]))
Out[94]: 
array([[1, 2, 5],
       [2, 4, 5]])

In [95]: f(np.array(3))
Out[95]: array([3, 6, 5])

为了获得最佳速度,您希望尽可能使用现有的numpy全数组函数。例如,您的 foo 案例可通过以下方式完成:

In [97]: np.repeat(a[:,:,None],3, axis=2)
Out[97]: 
array([[[1, 1, 1],
        [2, 2, 2]],

       [[3, 3, 3],
        [4, 4, 4]]])

np.stack([a]*3, axis=2) 同样有效。

还有你的 酒吧 预期结果:

In [100]: np.stack([a, 2*a, np.full(a.shape, 5)], axis=2)
Out[100]: 
array([[[1, 2, 5],
        [2, 4, 5]],

       [[3, 6, 5],
        [4, 8, 5]]])

2*a 利用整个数组乘法。这是真正的“numpy-onic”思想。

ascripter 8 年前

将值重复到另一个维度非常简单:

import numpy as np

x = a = np.array([[1,2],[3,4]])
y = np.repeat(x[:,:,np.newaxis], 3, axis=2)
print y.shape
print y


(2L, 2L, 3L)
[[[1 1 1]
  [2 2 2]]

 [[3 3 3]
  [4 4 4]]]

Him 8 年前

这似乎适用于“f R0->R1映射到一个nd数组,给出一个(n+1)d数组”

def foo(x):
  return np.concatenate((x,x))
np.apply_along_axis(foo,2,x.reshape(list(x.shape)+[1]))

但不能很好地概括