Question

我一直在寻找一种紧凑的方法来创建一个矩阵，该矩阵将相同的函数应用于来自不同大小的不同可迭代对象的元素。假设一个是尺寸m = 3，另一个是尺寸n = 4

a = range(3)
b = range(4)

这只是最简单的示例，因为我可以随意使用numpy向量进行相同的操作。

我想以这种方式填充矩阵：

yawn = np.zeros((len(a), len(b)), dtype='float')

meh = lambda x, y: np.exp(x + y) / (1 + np.exp(x + y))
for i in a:
    for j in b:
       yawn[i,j] = meh(i,j)

预期的结果确实是：

array([[ 0.5       ,  0.73105858,  0.88079708,  0.95257413],
       [ 0.73105858,  0.88079708,  0.95257413,  0.98201379],
       [ 0.88079708,  0.95257413,  0.98201379,  0.99330715]])

我尝试使用np.vectorize()或np.fromfunction()之类的东西，但是我接近了：

meh_vec = np.vectorize(meh)
meh_vec(a, 3)

array([ 0.95257413,  0.98201379,  0.99330715])

但是我可以弄清楚是否有办法做这样的事情：

meh_vec(a, b)

这不会导致ValueError：

ValueError：操作数不能与形状（3，）一起广播（4，）

此外我读到：

提供矢量化功能主要是为了方便，而不是性能。实现本质上是一个for循环。

是否有一种变通方法，它可能比for循环更紧凑，更快速？

Answer 1

将它们转换为可相互广播的# Define two helper variables z = m.addVar(name="z") h = m.addVar(name="h") m.addConstr(h == y[0]-y[1]) # h = y[0]-y[1] m.addConstr(z == abs_(h)) # z == |h| == | y[0] - y[1] | m.setObjectiveN(z, 1) # Maximize z = |h| = |y[0]-y[1]|数组，从而得到具有open的结果2D数组-

np.ix_

或者，为了更加明确，我们可以使用In [57]: x,y = np.ix_(a,b) In [58]: np.exp(x + y) / (1 + np.exp(x + y)) Out[58]: array([[0.5 , 0.73105858, 0.88079708, 0.95257413], [0.73105858, 0.88079708, 0.95257413, 0.98201379], [0.88079708, 0.95257413, 0.98201379, 0.99330715]])在输入的数组版本上手动扩展尺寸-

None/np.newaxis

为进一步优化，我们可能要存储In [64]: a = np.arange(3) ...: b = np.arange(4) In [65]: np.exp(a[:,None] + b) / (1 + np.exp(a[:,None] + b)) Out[65]: array([[0.5 , 0.73105858, 0.88079708, 0.95257413], [0.73105858, 0.88079708, 0.95257413, 0.98201379], [0.88079708, 0.95257413, 0.98201379, 0.99330715]])并重新用于除法。另外，np.exp(a[:,None] + b)可以重写为a[:,None] + b，因为这基本上是一个外部添加。

用在可迭代对象上计算的函数填充numpy矩阵

1 个答案: