Numpy向量化和原子向量

我想實現一個函數，它像數組上的numpy.sum函數一樣工作，就像預期的那樣。 np.sum（[2,3]，1）= [3,4]和np.sum（[1,2]，[3,4]）= [4,6]。Numpy向量化和原子向量

然而一個簡單的測試實施已經表現莫名其妙的尷尬：

import numpy as np 

def triv(a, b): return a, b 

triv_vec = np.vectorize(fun, otypes = [np.int]) 
triv_vec([1,2],[3,4])

與結果：

array([0, 0])

，而不是期望的結果：

array([[1,3], [2,4]])

任何想法，這是怎麼回事在這？ THX

來源

2015-05-15 donbunkito

您嘗試已經實現了該功能存在：'np.add'。 – Jaime

您需要otypes=[np.int,np.int]：

triv_vec = np.vectorize(triv, otypes=[np.int,np.int]) 
print triv_vec([1,2],[3,4]) 
(array([1, 2]), array([3, 4]))

otypes：STR或dtypes的列表，可選

輸出數據類型。它必須被指定爲一個typecode字符串或一個數據類型說明符列表。 每個輸出應該有一個數據類型說明符。

來源

2015-05-15 09:27:37

先謝謝！ - 好吧，現在數據類型是正確的，但是順序告訴我，它並沒有按照需要向量化（[1,2]），[3,4]）！=（[1,3]），[ 2，4]） – donbunkito

@donbunkito，你的代碼在哪裏做的？ –

注意答案是數組的元組，可以用作'a，b = triv_vec（[1,2]，[3,4]）''。該元組的長度與'otypes'相同，長度與'triv'返回的元組的長度相同。 – hpaulj

我原來的問題是專門的事實，矢量化正在進行內部型鑄造和運行優化的內部循環，這多少會影響性能。所以這裏是答案：

它確實，但不是隻有< 23％的效果不如我想象的那麼可觀。

import numpy as np 

def make_tuple(a, b): return tuple([a, b]) 

make_tuple_vec = np.vectorize(make_tuple, otypes = [np.int, np.int]) 

v1 = np.random.random_integers(-5, high = 5, size = 100000) 
v2 = np.random.random_integers(-5, high = 5, size = 100000) 

%timeit [tuple([i,j]) for i,j in zip(v1,v2)] # ~ 596 µs per loop 

%timeit make_tuple_vec(v1, v2) # ~ 544 µs per loop

此外，元組生成函數沒有按預期進行向量化，例如，地圖功能地圖（make_tuple，V1，V2），這是用100倍慢exectution時間競爭的明確寬鬆：

%timeit map(make_tuple, v1, v2) # ~ 64.4 ms per loop

來源

2015-05-17 10:39:20 donbunkito

Numpy向量化和原子向量

回答

相關問題