numpy中frompyfunc和vectorize的区别答案

【问题标题】：Difference between frompyfunc and vectorize in numpynumpy中frompyfunc和vectorize的区别
【发布时间】：2011-10-09 17:47:37
【问题描述】：

numpy 中vectorize 和frompyfunc 有什么区别？

两者看起来非常相似。它们各自的典型用例是什么？

编辑：正如 JoshAdel 所指出的，vectorize 类似乎是建立在 frompyfunc 之上的。（见the source）。我仍然不清楚frompyfunc 是否有任何vectorize 未涵盖的用例...

【问题讨论】：

有任何 numpy 开发人员可以解决这个问题吗？ Numpy 有很多这样的情况，在文档中存在更高和更低级别的实现，它们之间没有指针。
出于某种秘密原因，frompyfunc 生成的函数有意识地忽略 dtype 参数并返回 objects 数组。正如文档所解释的，“返回的 ufunc 总是返回 PyObject 数组”。有一个简单而巧妙的解决方法：提交所需类型的数组作为out 参数。相反，vectorize 函数允许使用 otypes 参数指定 ufunc 的输出类型，但与使用嵌套列表相比，它应该很慢，因此相当无用。

标签： python arrays numpy vectorization

【解决方案1】：

正如 JoshAdel 指出的那样，vectorize 包裹了 frompyfunc。 Vectorize 增加了额外的功能：

从原始函数复制文档字符串
允许您从广播规则中排除参数。
返回正确 dtype 的数组，而不是 dtype=object

编辑：经过一些简短的基准测试后，我发现vectorize 对于大型数组来说比frompyfunc 慢得多（~50%）。如果性能对您的应用程序至关重要，请首先对您的用例进行基准测试。

>>> a = numpy.indices((3,3)).sum(0)

>>> print a, a.dtype
[[0 1 2]
 [1 2 3]
 [2 3 4]] int32

>>> def f(x,y):
    """Returns 2 times x plus y"""
    return 2*x+y

>>> f_vectorize = numpy.vectorize(f)

>>> f_frompyfunc = numpy.frompyfunc(f, 2, 1)
>>> f_vectorize.__doc__
'Returns 2 times x plus y'

>>> f_frompyfunc.__doc__
'f (vectorized)(x1, x2[, out])\n\ndynamic ufunc based on a python function'

>>> f_vectorize(a,2)
array([[ 2,  4,  6],
       [ 4,  6,  8],
       [ 6,  8, 10]])

>>> f_frompyfunc(a,2)
array([[2, 4, 6],
       [4, 6, 8],
       [6, 8, 10]], dtype=object)

【讨论】：

有趣...但是我仍然不清楚差异和用例...

【解决方案2】：

我不确定每种情况的不同用例是什么，但如果您查看源代码 (/numpy/lib/function_base.py)，您会看到 vectorize 包装了 frompyfunc。我对代码的阅读主要是vectorize 正在正确处理输入参数。在某些特定情况下，您可能更喜欢其中一个而不是另一个，但似乎frompyfunc 只是vectorize 的较低级别实例。

【讨论】：

我同意你的观点，frompyfunc 似乎低于vectorize。但是，问题仍然存在，是否存在您更愿意使用 frompyfunc 而不是 vectorize 的情况？
我认为你不能像stackoverflow.com/a/27912352/3226167那样在vectorize中使用.accumulate

【解决方案3】：

虽然这两种方法都为您提供了构建自己的 ufunc 的方法，但 numpy.frompyfunc 方法总是返回一个 python 对象，而您可以在使用时指定返回类型 numpy.vectorize 方法

【讨论】：