映射一个NumPy数组

Question

是否可以将NumPy数组映射到位？ 如果是，怎么办？

给定a_values-2D数组-这是目前为我完成窍门的一些代码：

for row in range(len(a_values)):
    for col in range(len(a_values[0])):
        a_values[row][col] = dim(a_values[row][col])

但是它是如此丑陋，以至于我怀疑在NumPy内的某个地方一定有一个函数可以对以下内容执行相同的操作：

a_values.map_in_place(dim)

但是如果存在上述类似内容，我将无法找到它。

Answer 1

只有在空间有限的情况下，才值得尝试就地执行此操作。如果是这样，可以通过遍历数组的展平视图来稍微加快代码的速度。由于在可能的情况下会reshape返回新视图，因此不会复制数据本身（除非原始数据具有异常的结构）。

我不知道一种更好的方法来实现任意Python函数的真正就地应用。

>>> def flat_for(a, f):
...     a = a.reshape(-1)
...     for i, v in enumerate(a):
...         a[i] = f(v)
... 
>>> a = numpy.arange(25).reshape(5, 5)
>>> flat_for(a, lambda x: x + 5)
>>> a

array([[ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29]])

一些时间：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> f = lambda x: x + 5
>>> %timeit flat_for(a, f)
1000 loops, best of 3: 1.86 ms per loop

它大约是嵌套循环版本的两倍：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> def nested_for(a, f):
...     for i in range(len(a)):
...         for j in range(len(a[0])):
...             a[i][j] = f(a[i][j])
... 
>>> %timeit nested_for(a, f)
100 loops, best of 3: 3.79 ms per loop

当然矢量化仍然更快，因此，如果可以进行复制，请使用以下方法：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> g = numpy.vectorize(lambda x: x + 5)
>>> %timeit g(a)
1000 loops, best of 3: 584 us per loop

如果可以dim使用内置的ufuncs进行重写，请不要vectorize：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> %timeit a + 5
100000 loops, best of 3: 4.66 us per loop

numpy就像+=您所期望的那样执行类似的操作-
因此您可以免费使用就地应用程序来获得ufunc的速度。有时甚至更快！请参阅此处的示例。

顺便说一句，我对这个问题的原始答案很荒谬，涉及到将索引向量化到，这个答案在编辑历史记录中可以看到a。它不仅必须做一些时髦的东西，以旁路vectorize的类型检测机制，它竟然是一样缓慢，因为嵌套循环版本。太聪明了！