Question

我想做许多随机游走并绘制它们。从初始状态istate跳到下一个状态的功能就是iter = lambda istate: istate + np.random.uniform(-0.5, 0.5)。

因此，给定一个NumPy数组“ arr”，其中包含每次游历的值，如果我简单地调用iter(arr)，则函数iter被向量化，但它对所有元素执行相同的死模。如果我改为调用np.vectorize(iter)(arr)，则该函数将为每个元素执行单独的掷骰。

两个向量化之间有什么区别？使用其他类型的功能时，这会影响性能吗？

Answer 1

np.vectorize用于不接受ndarray作为参数的函数，并且大致是for循环，因此效率不高。例如：

a=np.arange(1e4,dtype=float)
float.hex(a)
Traceback (most recent call last):

  File "<ipython-input-27-e5cdcd882026>", line 1, in <module>
    float.hex(a)

TypeError: descriptor 'hex' requires a 'float' object but received a 'numpy.ndarray'

np.vectorize允许此操作：

%timeit np.vectorize(float.hex)(a)
14.6 ms ± 850 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

大约等于（结果和效果）：

%timeit [float.hex(z) for z in a]
14.2 ms ± 666 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

但是您的iter（重命名为my_iter）在这里接受ndarrays：

def my_iter(x): return x+np.random.uniform(-.5,.5)

%timeit my_iter(a)
16.1 µs ± 1.1 µs per loop (mean ± std. dev. of 7 runs, 100000 loops each)

在这种情况下远胜于：

%timeit np.vectorize(my_iter)(a)
28.6 ms ± 6.49 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

Answer 2

NumPy的vectorized operations，即，np.vectorize(iter)(array)可以用于访问的元素的较大块。提供此矢量化功能主要是为了方便，而不是为了提高性能。该实现实质上是一个for循环。另一方面，by default，iter(array)将输入数组视为读取对象。它用于获取该给定对象上的迭代器。如果将迭代器定义为返回 new 对象，它将使它迭代，以便它可以根据需要进行多次迭代。

NumPy向量化与自动向量化之间的区别

2 个答案: