Question

如果我有一个函数，f（x）以单个1d数组作为参数并产生1d数组作为输出，我可以使用numpy.apply_along_axis将函数应用于2d的每一行-array X，其行是f。

的有效参数

现在我想用一个带两个参数的函数做类似的事情。例如。我有一个函数f（x，y），它将两个1d数组作为参数，我还有两个2d数组X，Y都有n行。我想对每对行应用f，产生一个又有n行的数组。

如何以有效的方式实现这一目标？

我也对变体感兴趣，其中f需要更多参数或涉及更高维数组：

例如f可以取3个x，y，z形状的阵列（2,2）; （3）; （5）并产生形状的结果（4,4）。

我有X，Y，Z形状（50,100,2,2）; （50,100,3）; （50,100,5）并想要一个形状的结果（50,100,4,4）

Answer 1

查看numpy.apply_along_axis的代码我发现它只是迭代其他维度，将您的函数应用于每个'行'。有额外的代码允许维度大约为2.但对于2d X，它归结为：

result = np.empty_like(X)
for i, x in enumerate(X):
    result[i] = func1d(x)

还有一些代码可以推断result应具有的形状。例如，如果func1d为np.sum，则result将为1d，而非输入为2d。

所以这个功能没有特别的“效率”。多个输入的扩展可以是普通的Python zip：

 result = np.empty_like(X)
 for i,(x,y) in enumerate(zip(X,Y)):
     result[i] = func1d(x,y)

np.ndindex是生成索引的便捷工具。值得一看的是它的代码。它使用通用的numpy迭代器np.nditer，它可以看到：http://docs.scipy.org/doc/numpy/reference/arrays.nditer.html

例如f可以取3个x，y，z形状的阵列（2,2）; （3）; （5，）并产生形状的结果（4,4）。

我有X，Y，Z形状（50,100,2,2）; （50,100,3）; （50,100,5）并且想要形状的结果（50,100,4,4）

for i,j in np.ndindex(50,100):
    result[i,j,:,:] = f(X[i,j,:,:], Y[i,j,:,:], Z[i,j,:,:])

'：'不是必需的，但要明确我们正在对2个维度进行索引，并对其余维度进行切片。如果你想迭代1和3维，并切片第2维，那么它们将是必需的。