numpy.max 的懒惰评估答案

【问题标题】：Lazy evaluation of numpy.maxnumpy.max 的懒惰评估
【发布时间】：2019-01-07 01:29:41
【问题描述】：

假设我有一个形状为(n,) 的一维numpy 数组x 主要由零组成，以及一个形状为(m,n) 的二维数组Y。我要计算

np.sum(x * np.max(Y,axis=0))

即x 与矩阵 Y 的点积通过取每列的最大值来展平。如果这些数组很大并且x 主要由零组成，大概我正在做很多浪费的max 操作。

有没有办法以惰性方式进行计算，以便只计算非零值的最大值？我正在寻找一种优雅的方式——显然，我可以编写一个 for 循环并检查零值。

【问题讨论】：

不确定和函数式编程有关，但是0*NaN=NaN, 0*Infinity=NaN, 0*-1=-0
关于唯一有可能提高速度的方法是使用mask=x!=0 选择Y 的列或行以进行进一步处理。我还没有计算出你的尺寸，看看这是否可行。
np.max(Y,1) 的形状为 (m,)。 * 是 (n,) 形状的 x？
我认为@hpaulj 有一个好主意。以下是如何实现它：np.sum(x[mask]*np.max(Y[mask, :], axis=1))。但是您需要在实际数据上对其进行测试，看看它是否真的更快。

标签： python numpy functional-programming lazy-evaluation

【解决方案1】：

您可以使用np.where 查找非零索引。例如（m=3 和 n=6）：

x= np.array([1,0,0,2,3,1])
Y = np.array([[1,2,3,4,5,6],
              [4,5,6,1,2,3],
              [7,8,9,4,5,1]])
ind = np.where(x != 0)[0]
result = sum(x[ind]*np.max(Y[:,ind], axis=0))
print (result)

输出

36.0

【讨论】：

现在你需要做一些时间来确定什么时候更快！
我将其作为 OP 的任务，并在此处发布结果以供所有人参考。