Question

numpy vectorize函数很有用，但是当函数参数是列表而不是标量时，它表现不佳。举个例子：

import numpy as np

def f(x, A):
    print "type(A)=%s, A=%s"%(type(A),A)
    return sum(A)/x

X = np.linspace(1,2,10)
P = [1,2,3]

f2 = np.vectorize(f)

f(X,P)
f2(X,P)

给出：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'numpy.int64'>, A=1

Traceback (most recent call last):
  File "vectorize.py", line 14, in <module>
    f2(X,P)
  File "/usr/local/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 1824, in __call__
    theout = self.thefunc(*newargs)
  File "vectorize.py", line 5, in f
    return sum(A)/x
TypeError: 'numpy.int64' object is not iterable

我理解函数f在没有vectorize的情况下很好但是我想知道如何（通常）向量化一个函数，该函数的参数在列表中取而代之而不是标量。

Answer 1

你的问题并不清楚你想从矢量化函数中看到什么输出，但是我假设你希望将相同的列表（A）作为参数应用于f（）的每次调用（即对于X阵列中的每个元素一次）

函数的矢量化版本确保所有参数都是数组，然后应用numpy's broadcasting rules来确定如何组合这些参数。

与np.array的np.ndarray包装一样，通过自动将列表转换为包含相同元素的数组，而不是使用包含dtype = object的数组，对数组的参数的强制尝试会有所帮助。列表作为其唯一元素。大部分时间这都是我们想要的，但在你的情况下，这种“聪明”的行为会回来咬你。

虽然可能有一种方法可以指示numpy只将某些输入视为向量，但有两种直接的方法来获得你所追求的行为：

手动创建array with dtype=object以在广播规则中使用
Curry向量化函数之前的值

<强> 1。 D型=对象

Numpy数组从仅存储一种类型的项目中获得效率，但它们仍然可以包含任意python对象，方法是指定存储的数据类型为python对象：

list_obj_array = np.ndarray((1,), dtype=object)
list_obj_array[0] = [1,2,3]
f2(X,list_obj_array)  # using your definition from above

打印：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]

并返回：

array([ 6.        ,  5.4       ,  4.90909091,  4.5       ,  4.15384615,
        3.85714286,  3.6       ,  3.375     ,  3.17647059,  3.        ])

<强> 2。讨好

由于您将相同的列表传递给数组中每个项目的函数调用，因此您可以在应用矢量化之前通过currying直接存储该函数：

def curry_f(A):
    def f_curried(x):
        return f(x, A)  # using your definition from above
    return f_curried

f2 = np.vectorize(curry_f(P))
f2(X)

打印：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]

并返回：

array([ 6.        ,  5.4       ,  4.90909091,  4.5       ,  4.15384615,
        3.85714286,  3.6       ,  3.375     ,  3.17647059,  3.        ])

P.S。您可能还希望看一下np.frompyfunc - 它类似于vectorize（），但工作水平略低。

Answer 2

这是一个递归装饰器的例子，我目前用它来矢量化一个以一维数组作为第一个参数的函数：

def broadcast(fvec):
    def inner(vec, *args, **kwargs):
        if len(vec.shape) > 1:
            return np.array([inner(row, *args, **kwargs) for row in vec])
        else:
            return fvec(vec, *args, **kwargs)
    return inner

我猜它与np.vectorize几乎完全相同，但我使用它比试图使vectorize / frompyfunc适应这项工作更容易。

Numpy vectorize，使用列表作为参数

2 个答案: