Question

我的理解是（一次使用）numpy的vectorize允许我将数组发送到通常只采用标量的函数，而不是使用内置的map函数（结合lambda函数等）。但是，在下面的场景中，当我使用map vs numpy.vectorize时，我会得到不同的结果，而我似乎无法弄清楚原因。

import numpy as np

def basis2(dim, k, x):
    y = np.array([-0.2, -0.13, -0.06, 0, 0.02, 0.06, 0.15, 0.3, 0.8,
                  1.6, 3.1, 6.1, 10.1, 15.1, 23.1, 30.1, 35.0, 40.0, 45.0, 50.0, 55.0])

    if x < y[k] or x > y[k + dim + 1]:
        return 0

    elif dim != 0:
        ret = ((x - y[k]) / (y[k + dim] - y[k])) * basis2(dim - 1, k, x) + (
            (y[k + dim + 1] - x) / (y[k + dim + 1] - y[k + 1])) * basis2(dim - 1, k + 1, x)
        return ret

    else:
        return 1.0

w = np.array([20.0, 23.1, 30.0])
func = lambda x: basis2(3, 14, x)
vec = map(func, w)

func2 = np.vectorize(basis2)
vec2 = func2(3, 14, w)

print vec  # = [0, 0.0, 0.23335417007039491]
print vec2  # = [0 0 0]

Answer 1

正如文档字符串所说：

vectorized输出的数据类型由调用确定具有输入的第一个元素的函数。这可以避免通过指定otypes参数。

您需要添加otypes参数：

func2 = np.vectorize(basis2, otypes="d")

或将return 0更改为return 0.0中的basis2()。

python map和numpy vectorize之间的结果不同

1 个答案: