Question

必须有更多的pythonic方式：

r = np.arange(100)
results = []

for i in r:
    for j in r:
        for k in r:
            for l in r:

                #Here f is some predefined function
                if f(i,j,k,l) < 5.0:
                     results.append(f(i,j,k,l))

我确信使用数组可以以某种方式简化这一点，我只是不确定如何。谢谢！

Answer 1

使用itertools笛卡尔积：

import itertools
r = np.arange(100)
results = []
for (i,j,k,l) in itertools.product(r,repeat=4):
    if f(i,j,k,l) < 5.0:
         results.append(f(i,j,k,l))

或者更紧凑的方式，使用列表理解：

[ f(i,j,k,l) for (i,j,k,l) in itertools.product(r,repeat=4) if f(i,j,k,l) < 5.0 ]

Answer 2

使用NumPy的fromfunction和boolean indexing可以避免for循环和if语句。提议的方法包含在comb_np(n)中，而@Ohad Eytan提出的基于itertools的解决方案包含在comb_it(n)中。为方便起见，每个for循环的迭代次数（在您的示例中为100）作为参数传递给两个函数（n）。为了比较分析这两种方法，我使用了一个简单的政治函数f(x, y, z, t)。

from numpy import fromfunction
from itertools import product
from numpy import arange

def f(x, y, z, t):
    return x + 2*y + 3*z + 4*t

def comb_np(n):
    arr = fromfunction(f, (n,)*4)
    return arr[arr < 5.0]

def comb_it(n):
    return [f(i,j,k,l) for (i,j,k,l) in product(arange(n),repeat=4) if f(i,j,k,l) < 5.0]

示例运行：

In [1302]: comb_np(10)
Out[1302]: array([ 0.,  4.,  3.,  2.,  4.,  1.,  4.,  3.,  2.,  4.,  3.,  4.])

In [1303]: comb_it(10)
Out[1303]: [0, 4, 3, 2, 4, 1, 4, 3, 2, 4, 3, 4]

两种方法都产生相同的结果。到现在为止还挺好。但现在让我们评估效率方面是否存在差异：

In [1304]: import timeit

In [1305]: timeit.timeit("comb_np(10)", setup="from numpy import fromfunction;from __main__ import comb_np, f", number=1)
Out[1305]: 0.0008685288485139608

In [1306]: timeit.timeit("comb_it(10)", setup="from itertools import product;from numpy import arange;from __main__ import comb_it, f", number=1)
Out[1306]: 0.05153228418203071

In [1307]: timeit.timeit("comb_np(100)", setup="from numpy import fromfunction;from __main__ import comb_np, f", number=1)
Out[1307]: 3.4775129712652415

In [1308]: timeit.timeit("comb_it(100)", setup="from itertools import product;from numpy import arange;from __main__ import comb_it, f", number=1)
Out[1308]: 354.3811327822914

从上面的结果可以清楚地看出，在这个特殊问题中，NumPy的矢量化代码比迭代器大约高出两个数量级。

有趣的是，我发现只需用内置函数arange替换NumPy的range，comb_it的性能就会大大提高：

def comb_it2(n):
    return [f(i,j,k,l) for (i,j,k,l) in product(range(n),repeat=4) if f(i,j,k,l) < 5.0]

结果：

In [1381]: comb_it2(10)
Out[1381]: [0, 4, 3, 2, 4, 1, 4, 3, 2, 4, 3, 4]

In [1382]: timeit.timeit("comb_it2(10)", setup="from itertools import product;from __main__ import comb_it2, f", number=1)
Out[1382]: 0.009133451094385237

In [1383]: timeit.timeit("comb_it2(100)", setup="from itertools import product;from __main__ import comb_it2, f", number=1)
Out[1383]: 32.556062019226374

使用numpy数组来避免循环 - 组合

2 个答案: