Python - 将函数应用于 numpy.array 的每个元素的最快/最佳方法答案

【问题标题】：Python - Fastest / Best way to apply a function to each element of a numpy.arrayPython - 将函数应用于 numpy.array 的每个元素的最快/最佳方法
【发布时间】：2018-07-06 21:31:18
【问题描述】：

我想知道将函数应用于 numpy 数组的每个元素的最快（或由于某种原因“最佳”）方法是什么。我用更大的数据集尝试了这种方法，它需要相当长的时间......发布你的答案以及你在我的实现和你的实现中得到的结果（以毫秒为单位），因为不同的硬件会在相同的代码上给出不同的结果

请在两行注释之间分享您的实现

import numpy as np
import time

# Some random data
x = np.random.rand(5,32,32,3)*255
x = x.astype(int)

# Defining some function
def normalize(x, a=0, b=1, x_min=0, x_max=255):
    return a + (x - x_min)*(b - a)/(x_max-x_min)

## Start timer
start_time = time.time()

# ---------------------IMPLEMENTATION---------------------
# Apply Normalize function to each element in the array
n = np.vectorize(normalize)
x = n(x)
#_________________________________________________________

# Stop timer and show time in milliseconds
elapsed_time = time.time() - start_time
print("Time [ms] = " + str(elapsed_time*1000))

【问题讨论】：

只对整个数组进行所有操作，而不是使用向量化！（如 x += 1）
你能发表你的意思作为答案吗？
总有一天会有人的。但老实说：你花了 5 分钟看文档吗？您的函数非常适合利用 numpy 的矢量化操作。不需要循环。文档还警告 np.vectorize （有点隐藏循环）！解决方案或多或少是相同的代码，只是对数组 x 本身进行操作。没有包装。
正如@sascha 提到的，如果每个元素操作都是独立的并且f(M(m, n)) = N(m, n)，即输入和输出是相同的形状数组，那么只需应用整个数组的函数。一些简单的例子是，对于数组 A，np.abs(A)、A**2、A - 5、2*A 等。
谢谢！我尝试重新发明轮子 :) 我会尝试花时间在文档上

标签： python arrays numpy vectorization

【解决方案1】：

正如@sascha 所指出的，我只需要将函数应用于整个数组：

import numpy as np
import time

# Some random data
x = np.random.rand(5,32,32,3)*255
x = x.astype(int)

# Defining some function
def normalize(x, a=0, b=1, x_min=0, x_max=255):
    return a + (x - x_min)*(b - a)/(x_max-x_min)

## Start timer
start_time = time.time()

# ---------------------IMPLEMENTATION---------------------
# Apply Normalize function to each element in the array
x = normalize(x)
#_________________________________________________________

# Stop timer and show time in milliseconds
elapsed_time = time.time() - start_time
print("Time [ms] = " + str(elapsed_time*1000))

【讨论】：