Question

鉴于以下numpy矩阵：

import numpy as np
mymatrix = mymatrix = np.matrix('-1 0 1; -2 0 2; -4 0 4')


matrix([[-1,  0,  1],
        [-2,  0,  2],
        [-4,  0,  4]])

和以下函数（sigmoid / logistic）：

import math
def myfunc(z):
    return 1/(1+math.exp(-z))

我想得到一个新的numpy数组/矩阵，其中每个元素是将myfunc函数应用于原始矩阵中相应元素的结果。

map(myfunc, mymatrix)失败，因为它尝试将myfunc应用于行而不是每个元素。我尝试使用numpy.apply_along_axis和numpy.apply_over_axis，但它们也意味着将函数应用于行或列，而不是逐个元素。

那么如何将myfunc(z)应用于myarray的每个元素来获取：

matrix([[ 0.26894142,  0.5       ,  0.73105858],
        [ 0.11920292,  0.5       ,  0.88079708],
        [ 0.01798621,  0.5       ,  0.98201379]])

Answer 1

显然，将函数应用于元素的方法是将函数转换为矢量化版本，将数组作为输入并将数组作为输出返回。

您可以使用numpy.vectorize轻松地将函数转换为矢量化形式，如下所示：

myfunc_vec = np.vectorize(myfunc)
result = myfunc_vec(mymatrix)

或一次性使用：

np.vectorize(myfunc)(mymatrix)

正如@Divakar指出的那样，如果你可以从头开始编写一个已经向量化的函数（使用numpy内置的ufuncs而不使用numpy.vectorize），它会更好（性能方面）：

def my_vectorized_func(m):
    return 1/(1+np.exp(-m))  # np.exp() is a built-in ufunc

myvectorized_func(mymatrix)

由于numpy.exp已经过矢量化（并且math.exp并非如此），因此整个表达式1/(1+np.exp(-m))将被矢量化（并且将原始函数应用于每个元素的速度更快）。

以下完整示例生成了所需的输出：

import numpy as np
mymatrix = mymatrix = np.matrix('-1 0 1; -2 0 2; -4 0 4')
import math
def myfunc(z):
    return 1/(1+math.exp(-z))

np.vectorize(myfunc)(mymatrix) # ok, but slow

def my_vectorized_func(m):
    return 1/(1+np.exp(-m))

my_vectorized_func(mymatrix) # faster using numpy built-in ufuncs

Answer 2

只要有帮助，scipy就有一个sigmoid函数，您可以直接在矩阵上调用。

如何在2d numpy数组/矩阵中应用每个元素的函数/映射值？

2 个答案: