Question

也许这是一个简单的问题，但到目前为止我找不到任何有关它的信息。对于numpy中的优化，我需要一系列函数。我需要的函数数量取决于当前要优化的对象。我已经想出了如何动态创建这些函数，但现在我想将它们存储在这样的数组中：

myArray = zeros(x)   
for i in range(x):
  myArray[i] = createFunction(i)

如果我运行这个，我会遇到类型不匹配： float（）参数必须是字符串或数字，而不是'function'

直接创建数组效果很好：

  myArray = array([createFunction(0)...])

但是因为我不知道我需要的功能数量，这正是我想要阻止的。

Answer 1

啊，我明白了。你的确意味着一系列函数。

出现类型不匹配错误，因为默认情况下对zeros的调用会创建一个浮点数组。因此，如果您执行了myArray = numpy.empty(x, dtype=numpy.object)，那么您的原文将有效（请注意empty比zeros更有意义）。稍微更加pythonic的版本是使用列表理解

myArray = numpy.array([createFunction(i) for i in range(x)]).

但你可能根本不需要创建一个numpy数组，具体取决于你想用它做什么：

myArray = [createFunction(i) for i in range(x)]

如果您想避开该列表，最好将numpy.fromfunction与numpy.vectorize一起使用：

myArray = numpy.fromfunction(numpy.vectorize(createFunction), 
                             shape=(x,), dtype=numpy.object)

其中(x,)是一个给出数组形状的元组。需要调用vectorize，因为fromfunction假定函数可以对输入数组起作用并返回标量数组，vectorize转换函数来完成该操作。需要dtype=object，否则numpy会尝试创建一个浮点数组。

Answer 2

也许你可以使用

myArray = array([createFunction(i) for i in range(x)])

Answer 3

如果您需要一系列功能，是否可以不使用NumPy？ NumPy数组具有C风格类型，默认为浮点数。如果可以，只需使用标准的Python列表即可。但如果您绝对必须使用NumPy，请尝试像这样定义数组：

import numpy as np
a = np.empty([x], dtype=np.dtype(np.object_))

或者您需要使用 dtype。

Answer 4

Numpy数组是同质的。这就是numpy数组的所有元素属于同一类型 - python是duck-typed，numpy则不是。这是使numpy数组和矩阵上的矩阵运算如此之快的部分原因。但是，因此，首次创建阵列时必须知道数据类型。 Numpy通常非常擅长推断数据类型。创建空数组或清零数组时会出现问题。由于没有要检查的元素numpy必须猜测数据类型。如果在阵列创建时没有给出数据类型，Numpy默认为numpy.float64。这是一个不错的选择，因为numpy通常用于需要浮点数的科学或工程领域。这也是numpy抱怨的原因 - 因为它不能将你的函数存储为64位浮点数。

快速解决方案是让numpy知道您想要的数据类型。例如

myArray = numpy.zeros(x, dtype=numpy.object)

请注意，数据类型不能是任何类，但必须是numpy.dtype的实例（对于高级用法，您可以创建其他dtypes运行时numpy然后可以操作）。对于函数，numpy会将它们存储为numpy.object（这意味着任何通用的python对象）。我不认为使用numpy存储函数数组会获得任何性能优势。也许您最好创建生成器函数并将它们链接起来，一旦您知道结果将是一个数字，就转换为numpy数组。

funcs = [createFunction(i) for i in xrange(x)]

def getItemFromEachFunction(i):
    return funcs[i]()

arr = numpy.fromfunction(getItemFromEachFunction, (x,))

Python：在FOR循环中向数组添加函数

4 个答案: