等效于使用 numpy答案

【问题标题】：Equivalent using numpy等效于使用 numpy
【发布时间】：2016-11-17 08:28:02
【问题描述】：

对于我最近在做的一些工作，需要做如下操作。

def myfunc(a, b):
    return a*b  # some operation here

a = [1,2,3]
b = [2,4,6,8]
print [[myfunc(i, j) for i in a] for j in b]

我需要从一维数组创建一个二维数组，如上所示。
有人可以告诉我一种使用numpy操作的方法吗？

数组a 和b 真的很长。所以我假设 numpy 会提高性能。

【问题讨论】：

为了性能，向量化函数本身是有意义的。那么，在您的实际用例中，operation 到底是什么？
@Divakar：是a * log(a/b)
你想从数组a = [1,2,3]和b = [2,4,6,8]得到什么结果？
@Ramesh-X 由 Jaroslaw 指定，最好在输入和输出中包含一个小示例。

标签： python arrays numpy vectorization

【解决方案1】：

你可以使用 numpy broadcasting:

a = np.array([1,2,3])
b = np.array([2,4,6,8])
a = a[:, None]
b = b[None, :]

a * np.log(a/b)

向a 和b 添加新轴（分别作为第二和第一轴）将使a 的形状为(3, 1) 和b 的形状为(1, 4)。然后，a/b 一个二维的(3, 4) 数组，其中i-th 列是a[i]/b：

a/b
array([[ 0.5       ,  0.25      ,  0.16666667,  0.125     ],
       [ 1.        ,  0.5       ,  0.33333333,  0.25      ],
       [ 1.5       ,  0.75      ,  0.5       ,  0.375     ]])

然后你可以取逐点对数乘以a。由于np.log(a/b) 是(3, 4)，a 是(3, 1)，a 将再次广播到(3, 4)。

一个小细节是，由于广播发生的方式，将第二个轴添加到b 不是强制性的。不过，为了清楚起见，我更喜欢明确地写出来。

【讨论】：

【解决方案2】：

这是特定于您的功能的

a * np.log(np.divide.outer(a, b)).T

[[-0.69314718  0.          1.21639532]
 [-1.38629436 -1.38629436 -0.86304622]
 [-1.79175947 -2.19722458 -2.07944154]
 [-2.07944154 -2.77258872 -2.94248776]]

比较你的解决方案

f = lambda a, b: a * np.log(a/b)

np.array([[f(i, j) for i in a] for j in b])

[[-0.69314718  0.          1.21639532]
 [-1.38629436 -1.38629436 -0.86304622]
 [-1.79175947 -2.19722458 -2.07944154]
 [-2.07944154 -2.77258872 -2.94248776]]

【讨论】：