Question

我有一个形状矩阵Y（n，d）。我已经按以下方式计算了成对行差异：

   for i in range(Y.shape[0]): 
        for j in range(Y.shape[0]):
            C[i,:] = C[i,:] + W[i, j] * (Y[i, :]-Y[j, :])

不，我想创建一个3d数组，包含位置（i，j，:)的Y行和j的差异。你会怎么做？

它的目的是取代这个效率低下的循环：

<welcome-file-list>
<welcome-file>login.html</welcome-file>
</welcome-file-list>

Answer 1

我已经找到了一些成功：

row_diffs = Y[:, np.newaxis] - Y

Y[:, np.newaxis]创建尺寸为（n，1,3）的Y版本。然后，减法使用broadcasting来做你想要的。

不幸的是，我发现这种方法相对较慢，我还没有找到更好的方法。

完整示例：

>>> x = np.random.randint(10, size=(4, 3))
>>> x
array([[4, 0, 8],
       [8, 5, 3],
       [4, 1, 6],
       [2, 2, 4]])
>>> x[:, np.newaxis] - x
array([[[ 0,  0,  0],
        [-4, -5,  5],
        [ 0, -1,  2],
        [ 2, -2,  4]],

       [[ 4,  5, -5],
        [ 0,  0,  0],
        [ 4,  4, -3],
        [ 6,  3, -1]],

       [[ 0,  1, -2],
        [-4, -4,  3],
        [ 0,  0,  0],
        [ 2, -1,  2]],

       [[-2,  2, -4],
        [-6, -3,  1],
        [-2,  1, -2],
        [ 0,  0,  0]]])

Answer 2

这是使用broadcasting和np.einsum的矢量化方法 -

np.einsum('ij,ijk->ik',W,Y[:,None] - Y)

运行时测试 -

In [29]: def original_app(Y,W):
    ...:     m = Y.shape[0]
    ...:     C = np.zeros((m,m))
    ...:     for i in range(Y.shape[0]): 
    ...:         for j in range(Y.shape[0]):
    ...:             C[i,:] = C[i,:] + W[i, j] * (Y[i, :]-Y[j, :])
    ...:     return C
    ...: 

In [30]: # Inputs
    ...: Y = np.random.rand(100,100)
    ...: W = np.random.rand(100,100)
    ...: 

In [31]: out = original_app(Y,W)

In [32]: np.allclose(out, np.einsum('ij,ijk->ik',W,Y[:,None] - Y))
Out[32]: True

In [33]: %timeit original_app(Y,W)
10 loops, best of 3: 70.8 ms per loop

In [34]: %timeit np.einsum('ij,ijk->ik',W,Y[:,None] - Y)
100 loops, best of 3: 4.01 ms per loop

将矩阵行的成对差异放在三维数组中

2 个答案: