Question

假设我有数组：

a = array((1,2,3,4,5))
indices = array((1,1,1,1))

我执行操作：

a[indices] += 1

结果是

array([1, 3, 3, 4, 5])

换句话说，忽略indices中的重复项

如果我希望副本不被忽略，导致：

array([1, 6, 3, 4, 5])

我该怎么做？

上面的例子有些微不足道，接下来正是我要做的事情：

def inflate(self,pressure):
    faceforces = pressure * cross(self.verts[self.faces[:,1]]-self.verts[self.faces[:,0]], self.verts[self.faces[:,2]]-self.verts[self.faces[:,0]])
    self.verts[self.faces[:,0]] += faceforces
    self.verts[self.faces[:,1]] += faceforces
    self.verts[self.faces[:,2]] += faceforces

def constrain_lengths(self):
    vectors = self.verts[self.constraints[:,1]] - self.verts[self.constraints[:,0]]
    lengths = sqrt(sum(square(vectors), axis=1))
    correction = 0.5 * (vectors.T * (1 - (self.restlengths / lengths))).T
    self.verts[self.constraints[:,0]] += correction
    self.verts[self.constraints[:,1]] -= correction

def compute_normals(self):
    facenormals = cross(self.verts[self.faces[:,1]]-self.verts[self.faces[:,0]], self.verts[self.faces[:,2]]-self.verts[self.faces[:,0]])
    self.normals.fill(0)
    self.normals[self.faces[:,0]] += facenormals
    self.normals[self.faces[:,1]] += facenormals
    self.normals[self.faces[:,2]] += facenormals
    lengths = sqrt(sum(square(self.normals), axis=1))
    self.normals = (self.normals.T / lengths).T

由于在我的索引分配操作中忽略了重复项，我得到了一些非常错误的结果。

Answer 1

numpy的{{1}}函数是一个分散操作。

histogram

您可能需要注意，因为如果a += histogram(indices, bins=a.size, range=(0, a.size))[0]包含整数，则小的舍入错误可能导致值以错误的桶结尾。在这种情况下使用：

indices

将每个索引放入每个bin的中心。

更新：这有效。但我建议使用基于a += histogram(indices, bins=a.size, range=(-0.5, a.size-0.5))[0]的@Eelco Hoogendoorn答案。

Answer 2

参加聚会的时间稍晚，但看到这项操作需要多少，以及它似乎仍然不是标准numpy的一部分，我把解决方案放在这里供参考：

def scatter(rowidx, vals, target):
    """compute target[rowidx] += vals, allowing for repeated values in rowidx"""
    rowidx = np.ravel(rowidx)
    vals   = np.ravel(vals)
    cols   = len(vals)
    data   = np.ones(cols)
    colidx = np.arange(cols)
    rows   = len(target)
    from scipy.sparse import coo_matrix
    M = coo_matrix((data,(rowidx,colidx)), shape=(rows, cols))
    target += M*vals
def gather(idx, vals):
    """for symmetry with scatter"""
    return vals[idx]

对于初学者来说，numpy中的自定义C例程可以轻松地快两倍，从而消除了多余的分配和乘法，但它在性能方面与Python中的循环相比有所不同。

除了性能方面的考虑之外，它在风格上更符合其他numpy-vectorized代码使用分散操作，而不是在代码中混合一些for循环。

编辑：

好的，忘了以上。截至最新的1.8版本，现在直接支持分散操作，以最佳效率实现numpy。

def scatter(idx, vals, target):
    """target[idx] += vals, but allowing for repeats in idx"""
    np.add.at(target, idx.ravel(), vals.ravel())

Answer 3

我不知道如何做到这一点的速度要快于：

for face in self.faces[:,0]:
    self.verts[face] += faceforces

您还可以将self.faces变为3个字典的数组，其中键对应于面，值与需要添加的次数相对应。然后你会得到如下代码：

for face in self.faces[0]:
    self.verts[face] += self.faces[0][face]*faceforces

可能更快。我希望有人提出一个更好的方法，因为我想在今天早些时候尝试帮助某人加速他们的代码时这样做。

如何在numpy中进行分散/聚集操作

3 个答案: