Question

我有一个大型的2D数组，我想声明一次，并根据参数改变偶然只有一些值，而不遍历整个数组。

为了构建这个数组，我使用dtype=object将numpy ndarray类子类化，并分配给我想要更改函数的元素，例如：：

def f(parameter):
     return parameter**2

for i in range(np.shape(A)[0]):
    A[i,i]=f
    for j in range(np.shape(A)[0]):
        A[i,j]=1.

然后我重写了__getitem__方法，以便在可调用时返回给定参数的函数求值，否则返回值本身。

    def __getitem__(self, key):
        value = super(numpy.ndarray, self).__getitem__(key)
        if callable(value):
            return value(*self.args)
        else:
            return value

其中self.args之前曾被赋予myclass的实例。

但是，我需要在最后使用float数组，我不能简单地使用这种技术将此数组转换为dtype=float数组。我还尝试使用numpy视图，这对dtype=object无效。

你有更好的选择吗？我应该覆盖视图方法而不是getitem吗？

编辑我将来可能不得不使用Cython，所以如果你有一个解决方案，例如C指针，我很感兴趣。

Answer 1

在这种情况下，将转换函数绑定到数组的每个索引都没有意义。

相反，更有效的方法是将转换定义为函数，以及它应用的数组的子集。这是一个基本的实现，

import numpy as np

class LazyEvaluation(object):
    def __init__(self):
        self.transforms = []

    def add_transform(self, function, selection=slice(None), args={}):
        self.transforms.append( (function, selection, args))

    def __call__(self, x):
        y = x.copy() 
        for function, selection, args in self.transforms:
            y[selection] = function(y[selection], **args)
        return y

可以按如下方式使用：

x = np.ones((6, 6))*2

le = LazyEvaluation()
le.add_transform(lambda x: 0, [[3], [0]]) # equivalent to x[3,0]
le.add_transform(lambda x: x**2, (slice(4), slice(4,6)))  # equivalent to x[4,4:6]
le.add_transform(lambda x: -1,  np.diag_indices(x.shape[0], x.ndim), ) # setting the diagonal 
result =  le(x)
print(result)

打印，

array([[-1.,  2.,  2.,  2.,  4.,  4.],
       [ 2., -1.,  2.,  2.,  4.,  4.],
       [ 2.,  2., -1.,  2.,  4.,  4.],
       [ 0.,  2.,  2., -1.,  4.,  4.],
       [ 2.,  2.,  2.,  2., -1.,  2.],
       [ 2.,  2.,  2.,  2.,  2., -1.]])

通过这种方式，您可以轻松支持所有高级Numpy索引（逐元素访问，切片，花式索引等），同时将数据保存在具有本机数据类型（float的数组中， int等）比使用dtype='object'更有效率。

Python懒惰评估numpy ndarray

1 个答案: