在numpy/scipy中矢量化for循环？答案

【问题标题】：vectorizing a for loop in numpy/scipy?在numpy/scipy中矢量化for循环？
【发布时间】：2011-02-09 20:06:19
【问题描述】：

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：它遍历一堆点并根据某个变量（下面称为“self.condition_met”）是否为真，在该点上调用一对函数，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。这是有问题的功能：

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，所以似乎没有必要每次都检查它，但我不知道如何更好地写这个。由于这里没有破坏性操作，似乎我可以将整个事情重写为矢量化操作——这可能吗？任何想法如何做到这一点？

【问题讨论】：

标签： python optimization numpy scipy vectorization

【解决方案1】：

这只需要 NumPy 中的几行代码（其余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]]

从你的描述中我抽象出这个流程：

检查条件（布尔值）'如果真的'
对这些数据调用配对函数满足的点（行）条件
附加每组调用的结果到一个列表（下面的“res”）

【讨论】：

【解决方案2】：

最好做 mtrw，但如果你不确定矢量化，你可以在my_funcs 上尝试 numpy.vectorize

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

【讨论】：

"提供vectorize函数主要是为了方便，而不是为了性能。实现本质上是一个for循环。"

【解决方案3】：

你能重写my_funcx 来向量化吗？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'

【讨论】：