Question

我有一个多维数组，以\uhhhh启动。然后我尝试通过一些公式（在这种情况下为>>> print repr(u'Łukasz') u'\u0141ukasz'）为C分配一些值。以下代码有效，但非常慢。

C=np.zeros([20,20,20,20])

这可以通过更快，更可能更诡异的方式完成吗？

Answer 1

这是一种方法。

步骤＃1 获取与代码中使用np.array(it.multi_index)计算的所有索引相对应的所有组合。在此，人们可以利用product from itertools。

步骤＃2 以矢量化方式对所有组合执行L2范数计算。

第3步最后以元素方式执行C(x)=(exp(-|x|^2)。

# Get combinations using itertools.product
combs = np.array(list(product(range(N), repeat=4)))

# Perform L2 norm and elementwise exponential calculations to get final o/p 
out = np.exp(-np.sqrt((combs**2).sum(1))**2).reshape(N,N,N,N)

运行时测试并验证输出 -

In [42]: def vectorized_app(N):
    ...:     combs = np.array(list(product(range(N), repeat=4)))
    ...:     return np.exp(-np.sqrt((combs**2).sum(1))**2).reshape(N,N,N,N)
    ...: 
    ...: def original_app(N):
    ...:     C=np.zeros([N,N,N,N])
    ...:     it=np.nditer(C, flags=['multi_index'], op_flags=['readwrite'])
    ...:     while not it.finished:
    ...:         diff_n=np.linalg.norm(np.array(it.multi_index))
    ...:         it[0]=np.exp(-diff_n**2)
    ...:         it.iternext()
    ...:     return C
    ...: 

In [43]: N = 10

In [44]: %timeit original_app(N)
1 loops, best of 3: 288 ms per loop

In [45]: %timeit vectorized_app(N)
100 loops, best of 3: 8.63 ms per loop

In [46]: np.allclose(vectorized_app(N),original_app(N))
Out[46]: True

Answer 2

所以看起来你不想将你的操作应用到每个元素的索引上？怎么样：

x = np.exp(-np.linalg.norm(np.indices([20,20,20,20]), axis=0)**2)

np.indices是一个非常灵活的功能。还有相关的是mgrid和meshgrid，用于更复杂的操作。在这种情况下，由于您有4个维度，它将返回一个具有形状（4,20,20,20,20）的数组。

纯粹的numpy有点快：）

In [13]: timeit posted_code()
1 loops, best of 3: 843 ms per loop

In [14]: timeit np.exp(-np.linalg.norm(np.indices([20,20,20,20]), axis=0)**2)
100 loops, best of 3: 3.76 ms per loop

结果完全相同：

In [26]: np.all(C == x)
Out[26]: True

通过公式在python中定义一个ndarray

2 个答案: