Numpy“Where”函数无法避免评估Sqrt（负）答案

【问题标题】：Numpy "Where" function can not avoid evaluate Sqrt(negative)Numpy“Where”函数无法避免评估Sqrt（负）
【发布时间】：2020-05-20 21:03:32
【问题描述】：

似乎np.where 函数首先评估所有可能的结果，然后再评估条件。这意味着，在我的例子中，它将计算 -5、-4、-3、-2、-1 的平方根，即使它以后不会使用。

我的代码运行正常。但我的问题是警告。我避免使用循环来评估每个元素，因为它的运行速度比np.where 慢得多。

所以，我在这里问

有什么方法可以让np.where首先评估条件吗？
我可以只关闭这个特定的警告吗？怎么样？
如果您有更好的建议，另一种更好的方法。

这里只是一个简短的示例代码，对应于我的真实代码，它是巨大的。但本质上也有同样的问题。

输入：

import numpy as np

c=np.arange(10)-5
d=np.where(c>=0, np.sqrt(c) ,c )

输出：

RuntimeWarning: invalid value encountered in sqrt
d=np.where(c>=0,np.sqrt(c),c)

【问题讨论】：

根据 numpy documentation，声明 d=np.where(c>=0, np.sqrt(c) ,c ) 等价于 [sqcv if cond else cv for (cond, sqcv, cv) in zip(c>=0, np.sqrt(c), c)]。换句话说，无论c>=0 条件如何，都会评估术语np.sqrt(c)。

标签： python numpy

【解决方案1】：

有一个很多更好的方法来做到这一点。让我们看看你的代码在做什么，看看为什么。

np.where 接受三个数组作为输入。数组不支持惰性求值。

d = np.where(c >= 0, np.sqrt(c), c)

因此这一行相当于做

a = (c >= 0)
b = np.sqrt(c)
d = np.where(a, b, c)

请注意，在调用 where 之前会立即计算输入。

幸运的是，您根本不需要使用where。相反，只需使用布尔掩码：

mask = (c >= 0)
d = np.empty_like(c)
d[mask] = np.sqrt(c[mask])
d[~mask] = c[~mask]

如果您预计会有很多负面因素，您可以复制所有元素，而不仅仅是负面因素：

d = c.copy()
d[mask] = np.sqrt(c[mask])

更好的解决方案可能是使用掩码数组：

d = np.ma.masked_array(c, c < 0)
d = np.ma.sqrt(d)

要访问整个数据数组，且屏蔽部分保持不变，请使用d.data。

【讨论】：

嗨，谢谢。它运作良好。但是当我尝试你的最后一种方法时。我仍然需要负值。 d1=np.ma.masked_array(c.copy(), c<0) 和 d2=np.ma.masked_array(c.copy(), c>0) 。那么d=d1+d2。它不起作用。你能帮帮忙吗？
我在最后加了一条注释

【解决方案2】：

np.sqrt 是 ufunc 并接受 where 参数。在这种情况下它可以用作掩码：

In [61]: c = np.arange(10)-5.0
In [62]: d = c.copy()
In [63]: np.sqrt(c, where=c>=0, out=d);
In [64]: d
Out[64]: 
array([-5.        , -4.        , -3.        , -2.        , -1.        ,
        0.        ,  1.        ,  1.41421356,  1.73205081,  2.        ])

与 np.where 的情况相比，这不会在 ~where 元素处计算函数。

【讨论】：

这是我认为最干净的解决方案（也是最快的，至少在我的机器上）。

【解决方案3】：

这是您第二个问题的答案。

是的，您可以关闭警告。使用warnings 模块。

import warnings
warnings.filterwarnings("ignore")

【讨论】：

【解决方案4】：

一种解决方案是不使用np.where，而是使用索引。

c = np.arange(10)-5
d = c.copy()
c_positive = c > 0
d[c_positive] = np.sqrt(c[c_positive])

【讨论】：