假设我有一个2D np.array X
,我需要在一些中间计算中使用X[:, None, :]
;例如
np.sum(X[:, None, :] == Y[None, :, :], axis=2)
其中Y
也是2D np.array。
此操作是否明确复制X
和Y
的内存以创建X[:, None, :]
和Y[:, None, :]
?如果是这样,有没有办法通过使用NumPy中的视图来避免这种复制?
答案 0 :(得分:3)
X[:, None, :]
和Y[None, :, :]
已经是观看次数。这两个操作都是NumPy basic slicing,它总是生成一个视图。
X[:, None, :] == Y[None, :, :]
将成为一个更大的内存问题,因为它会创建一个非常大的布尔数组。您可以通过在'hamming'
模式下scipy.spatial.distance.cdist
重写您的计算来避免这种情况:
In [10]: x
Out[10]:
array([[3, 0, 2, 2, 3],
[3, 2, 1, 3, 2],
[2, 2, 1, 1, 1]])
In [11]: y
Out[11]:
array([[0, 0, 1, 2, 3],
[2, 0, 0, 1, 1],
[2, 0, 2, 3, 3],
[2, 1, 1, 2, 1]])
In [12]: numpy.sum(x[:, None, :] == y[None, :, :], axis=2)
Out[12]:
array([[3, 1, 3, 1],
[1, 0, 1, 1],
[1, 3, 1, 3]])
In [13]: 5 - 5*cdist(x, y, 'hamming') # 5 for the row length of x and y
Out[13]:
array([[ 3., 1., 3., 1.],
[ 1., 0., 1., 1.],
[ 1., 3., 1., 3.]])
在scipy.spatial.distance
中无法计算非标准化的汉明距离,因此我们必须撤消标准化。