矢量化与Numpy的for循环

时间:2018-03-17 02:18:40

标签: python numpy

我有一个for循环,我想用numpy进行矢量化。在下面的代码段中,RAdone是长度为num_rows的numpy数组,而Q和Q1是大小为(num_rows, num_cols)的矩阵。另外值得注意的是,A的所有元素都在0num_cols - 1之间,done的所有元素都是01。我基本上想做与下面for-loop相同的事情,但是利用了numpy矢量化。

重要信息:

  • R是一个长度为num_rows的numpy数组。任意值
  • A是一个长度为num_rows的numpy数组。值可以是0到num_cols - 1
  • 之间的整数
  • done是一个长度为num_rows的numpy数组。值为0或1
  • Q是一个形状为(num_rows, num_cols)
  • 的2D numpy数组
  • Q1也是形状为(num_rows, num_cols)
  • 的2D numpy数组

这是循环:

    y = np.zeros((num_rows, num_cols))

    for i in range(num_rows):
        r = R[i]
        a = A[i]
        q = Q[i]
        adjustment = r
        if not done[i]:
            adjustment += (gamma*max(Q1[i]))
        q[a] = adjustment
        y[i, :] = q

我认为我已经进行了调整"以矢量化方式使用以下行,我只需要对Q矩阵进行赋值并输出正确的y矩阵。

这些是我用来矢量化第一部分的线条:

    q_max_adjustments = np.multiply(gamma * Q1.max(1), done) # This would be numpy array of length num_rows
    true_adjustments = R + q_max_adjustments # Same dimension numpy array

示例输入和输出将是

gamma = 0.99
R = numpy.array([1,2,0,3,2])
A = numpy.array([0,2,0,1,1])
done = numpy.array([0,1,0,0,1])
Q = numpy.array([[1,2,3],
                 [4,5,6],
                 [7,8,9],
                 [10,11,12],
                 [13,14,15]])
Q1 = numpy.array([[1,2,3],
                 [4,5,6],
                 [7,8,9],
                 [10,11,12],
                 [13,14,15]])

output y should be array([[ 3.97,  2.  ,  3.  ],
   [ 4.  ,  5.  ,  2.  ],
   [ 8.91,  8.  ,  9.  ],
   [10.  , 14.88, 12.  ],
   [13.  ,  2.  , 15.  ]])

修改

所以我认为我使用稀疏矩阵作为掩码等一起攻击了一些有效的东西......但考虑到所需的步骤数量,似乎这可能并不是特别高效。有没有更有效的方法来实现同一目标?代码如下

    q_max_adjustments = np.multiply(gamma * Q1.max(1), 1-done)
    true_adjustments = R + q_max_adjustments
    mask = np.full((num_rows, num_cols), False)
    mask[np.arange(num_rows), A] = True
    value_mask = np.multiply(np.vstack(true_adjustments), mask)
    np.copyto(Q, value_mask, where=mask)

1 个答案:

答案 0 :(得分:2)

您的矢量化解决方案具有所有正确的元素,但包含一些不必要的并发症。使用高级索引的简化版本将是:

>>> y = Q.astype(float)
>>> D, = np.where(1-done)
>>> y[np.arange(A.size), A] = R
>>> y[D, A[D]] += gamma * Q1[D].max(axis=1)
>>> y
array([[ 3.97,  2.  ,  3.  ],
       [ 4.  ,  5.  ,  2.  ],
       [ 8.91,  8.  ,  9.  ],
       [10.  , 14.88, 12.  ],
       [13.  ,  2.  , 15.  ]]