Numpy：向量化两分支测试（三元运算符）答案

【问题标题】：Numpy: vectorizing two-branch test (ternary-operator like)Numpy：向量化两分支测试（三元运算符）
【发布时间】：2016-03-16 11:20:48
【问题描述】：

为了以下想法，我在 Numpy 中对测试进行矢量化：执行 elementwise 一些测试并根据测试选择 expr1 或 expr2。这就像 C 中的 三元运算符：test?expr1:expr2

我看到了两种主要的执行方式；我想知道是否有充分的理由选择一个而不是另一个；也许还有其他技巧可用，我很高兴知道它们。主要目标是速度；出于这个原因，我不想将np.vectorize 与if-else 语句一起使用。

对于我的例子，我将重新构建min 函数；请不要告诉我一些用于计算的 Numpy 函数；这只是一个例子！

想法1：在乘法中使用布尔值的算术值：

# a and b have similar shape
test = a < b
ntest = np.logical_not(test)
out = test*a + ntest*b

想法 2：或多或少遵循 APL/J 编码风格（通过使用条件表达式作为比初始数组多一维的数组的索引）。

# a and b have similar shape
np.choose(a<b, np.array([b,a]))

【问题讨论】：

【解决方案1】：

这是使用choose的更好方法

np.choose(a<b, [b,a])

在我的小时间里，它更快。 choose 文档还说 Ifchoicesis itself an array (not recommended), ....

(a<b).choose([b,a])

保存一级函数重定向。

另一种选择：

out = b.copy(); out[test] = a[test]

在快速测试中，这实际上更快。 masked.filled 使用 np.copyto 进行这种“位置”复制，尽管它似乎并没有更快。

choose 的一个变体是where：

np.where(test,a,b)

或使用where（或np.nonzero）将布尔索引转换为数字索引：

I = np.where(test); out = b.copy(); out[I] = a[I]

由于某种原因，这比单件要快。

我过去使用过乘法方法；如果我没记错的话，即使是 APL（尽管那是几十年前的事了）。避免除以 0 的一个老技巧是添加 n==0、a/(b+(b==0))。但它并不普遍适用。 a*0, a*1 必须有意义。

choose 看起来不错，但使用mode 参数可能会更强大（因此也更复杂）。

我不确定是否有“最佳”方式。时序测试可以评估某些情况，但我不知道它们可以在所有情况下推广到哪里。

【讨论】：