NumPy的矢量化，使用列表作爲參數

的numpy的vectorize功能非常有用，但它並沒有表現良好時，函數的參數是列表而不是標量。舉個例子：NumPy的矢量化，使用列表作爲參數

import numpy as np 

def f(x, A): 
    print "type(A)=%s, A=%s"%(type(A),A) 
    return sum(A)/x 

X = np.linspace(1,2,10) 
P = [1,2,3] 

f2 = np.vectorize(f) 

f(X,P) 
f2(X,P)

給出：

type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'numpy.int64'>, A=1 

Traceback (most recent call last): 
    File "vectorize.py", line 14, in <module> 
    f2(X,P) 
    File "/usr/local/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 1824, in __call__ 
    theout = self.thefunc(*newargs) 
    File "vectorize.py", line 5, in f 
    return sum(A)/x 
TypeError: 'numpy.int64' object is not iterable

據我瞭解，函數f工作就好沒有vectorize荷蘭國際集團，但我想知道如何（一般）矢量化一個函數，其參數採用列表而不是標量。

來源

2010-12-21 Hooked

你的問題沒有說清楚正是你想什麼輸出從量化的功能看，但我會假設你想在同一目錄（A）採用作爲參數到f的每次調用（）（例如，對於X數組中的每個元素一次）

函數的矢量化版本確保所有參數都是數組，然後應用numpy's broadcasting rules來確定如何組合這些參數。

與np.array的np.ndarray包裝一樣，通過自動將列表轉換爲包含相同元素的數組，而不是使用dtype = object創建數組，該數組的參數強制嘗試有幫助。包含該列表作爲其唯一元素。這其中大部分的時間是我們所希望的，但在你的情況下，這種「聰明」的行爲是回來咬你。

雖然可能有指示numpy的只有一種方式對待某些輸入向量，有兩種簡單的方式來獲得你後的行爲：

手動創建一個array with dtype=object在廣播內工作規則
Curry矢量化功能

1 = D型對象

之前的值

numpy的陣列獲得它們的效率從僅將存儲一種類型的項目，但它們仍然可以通過指定所存儲的數據類型是蟒對象包含任意Python對象：

list_obj_array = np.ndarray((1,), dtype=object) 
list_obj_array[0] = [1,2,3] 
f2(X,list_obj_array) # using your definition from above

打印：

type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3]

array([ 6.  , 5.4  , 4.90909091, 4.5  , 4.15384615, 
     3.85714286, 3.6  , 3.375  , 3.17647059, 3.  ])

2。

def curry_f(A): def f_curried(x): return f(x, A) # using your definition from above return f_curried f2 = np.vectorize(curry_f(P)) f2(X)

打印：鑽營

因爲你是通過相同的列表來調用函數的每個項目在數組中，你可以直接與功能應用矢量之前討好存儲列表

type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3] 
type(A)=<type 'list'>, A=[1, 2, 3]

和回報：

array([ 6.  , 5.4  , 4.90909091, 4.5  , 4.15384615, 
     3.85714286, 3.6  , 3.375  , 3.17647059, 3.  ])

P.S.你也可以看看np.frompyfunc - 它與vectorize（）類似，但是它的工作方式稍低一些。

來源

2010-12-21 05:09:27

這是我目前使用矢量化一個函數，一維數組作爲第一個參數遞歸裝飾的例子：

def broadcast(fvec): 
    def inner(vec, *args, **kwargs): 
     if len(vec.shape) > 1: 
      return np.array([inner(row, *args, **kwargs) for row in vec]) 
     else: 
      return fvec(vec, *args, **kwargs) 
    return inner

我猜它幾乎一樣np.vectorize，但對我來說，使用這項工作比嘗試改編vectorize/frompyfunc更容易。

來源

2012-11-26 10:39:01

NumPy的矢量化，使用列表作爲參數

回答

相關問題