Numpy 选择惰性版本

Question

考虑下面的代码

 >>> x = np.array([0, 0, 1, 1])
 >>> np.select([x==0, True], [x+1, 1/x])
 array([ 1.,  1.,  1.,  1.])

它有两个问题。

首先，它并不懒惰。即使最终结果中不需要某些评估值，它也会急切地评估 x+1 和 1/x。

其次，numpy每次运行代码都会发出警告

RuntimeWarning: divide by zero encountered in true_divide

这与前一点有些相关，因为它正在尝试评估 1/x，即使最终答案中不需要这样做。

有没有一个懒惰的版本，不会遇到上述问题？

Answer 1

对于这两种情况，您可以通过显式屏蔽输出向量来避免评估：

y = x.copy()
mask = (x == 0)  # parentheses only necessary for readability
y[mask] = x[mask] + 1
y[~mask] = 1 / x[~mask]

---

以上是我强烈建议您执行的操作，因此您应该只继续阅读一个毫无意义的人为解决方案，该解决方案实际上解决了问题的“懒惰评估”部分。我不建议在实践中使用下面的 sn-p ！您已收到警告。

我终于可以实现实际的惰性求值了，尽管它有点混乱并且给情况带来了不必要的复杂性（嗯，至少是这种情况；我可以想象在某些情况下这可能会派上用场）。本着“任何值得做的事情都值得过度”的精神：

xfun1 = [lambda xval=xval: xval + 1 for xval in x]
xfun2 = [lambda xval=xval: 1 / xval for xval in x]
[fun() for fun in np.select([x == 0, True], [xfun1, xfun2])]

这个想法是通过将1/x 的值隐藏在lambda 定义后面来保护它们不被评估。辅助数组xfun1 和xfun2 为x 的每个值定义了一个虚拟lambda；第一个返回x+1，第二个返回1/x。但是，在您将元素称为 xfun2[2]() 之前，不会计算这些元素。

所以我们使用select 调用从两个函数数组中选择元素，然后我们获得一个函数列表。为了获得数字返回值，我们需要使用列表推导来评估每个lambda。