在 numpy/scipy 中向量化 for 循环？

Question

我正在尝试对类方法内部的 for 循环进行矢量化。 for 循环具有以下形式：它迭代一堆点，并根据某个变量（下面称为“self.condition_met”）是否为真，调用该点上的一对函数，并将结果添加到列表中。这里的每个点都是列表向量中的一个元素，即看起来像 array([[1,2,3], [4,5,6], ...]) 的数据结构。这是有问题的函数：

def myClass:
   def my_inefficient_method(self):
       final_vector = []
       # Assume 'my_vector' and 'my_other_vector' are defined numpy arrays
       for point in all_points:
         if not self.condition_met:
             a = self.my_func1(point, my_vector)
             b = self.my_func2(point, my_other_vector)
         else:
             a = self.my_func3(point, my_vector)
             b = self.my_func4(point, my_other_vector)
         c = a + b
         final_vector.append(c)
       # Choose random element from resulting vector 'final_vector'

self.condition_met 是在调用 my_inefficient_method 之前设置的，因此似乎没有必要每次都检查它，但我不知道如何更好地编写它。由于这里没有破坏性操作，看来我可以将整个事情重写为矢量化操作——这可能吗？有什么想法如何做到这一点？

Answer 1

这在 NumPy 中只需要几行代码（剩下的只是创建一个数据集、几个函数和设置）。

import numpy as NP

# create two functions 
fnx1 = lambda x : x**2
fnx2 = lambda x : NP.sum(fnx1(x))

# create some data
M = NP.random.randint(10, 99, 40).reshape(8, 5)

# creates index array based on condition satisfaction
# (is the sum (of that row/data point) even or odd)
ndx = NP.where( NP.sum(M, 0) % 2 == 0 )

# only those data points that satisfy the condition (are even) 
# are passed to one function then another and the result off applying both 
# functions to each data point is stored in an array
res = NP.apply_along_axis( fnx2, 1, M[ndx,] )

print(res)
# returns: [[11609 15309 15742 12406  4781]]

根据您的描述，我抽象了此流程：

• 检查条件（布尔值）'if
  True'
• 对这些数据调用配对函数
  满足以下条件的点（行）
  条件
• 附加每组调用的结果
  到列表（下面的“res”）

Answer 2

您可以重写 my_funcx 进行矢量化吗？如果是这样，你可以这样做

def myClass:
   def my_efficient_method(self):
       # Assume 'all_points', 'my_vector' and 'my_other_vector' are defined numpy arrays
       if not self.condition_met:
           a = self.my_func1(all_points, my_vector)
           b = self.my_func2(all_points, my_other_vector)
       else:
           a = self.my_func3(all_points, my_vector)
           b = self.my_func4(all_points, my_other_vector)
       final_vector = a + b
       # Choose random element from resulting vector 'final_vector'

Answer 3

最好执行 mtrw 操作，但如果您不确定矢量化，可以在 my_func 上尝试 numpy.vectorize

http://docs.scipy.org/doc/numpy/reference/ generated/numpy.vectorize.html