带有矢量参数的 Numpy 数组广播答案

【问题标题】：Numpy array broadcasting with vector parameters带有矢量参数的 Numpy 数组广播
【发布时间】：2010-10-27 06:17:15
【问题描述】：

是否可以在 numpy 中使用向量参数进行数组广播？

例如，我知道我可以这样做

def bernoulli_fraction_to_logodds(fraction):
    if fraction == 1.0:
        return inf
    return log(fraction / (1 - fraction))
bernoulli_fraction_to_logodds = numpy.frompyfunc(bernoulli_fraction_to_logodds, 1, 1)

并让它与整个数组一起工作。如果我有一个接受 2 元素向量并返回 2 元素向量的函数怎么办。我可以将一个 2 元素向量数组传递给它吗？例如，

def beta_ml_fraction(beta):
    a = beta[0]
    b = beta[1]
    return a / (a + b)
beta_ml_fraction = numpy.frompyfunc(beta_ml_fraction, 1, 1)

很遗憾，这不起作用。是否有与 from_py_func 类似的功能。当它们是 2 元素向量时我可以解决这个问题，但是当它们是 n 元素向量时呢？

因此，(2,3) 的输入应为0.4，但[[2,3], [3,3]] 的输入应为[0.4, 0.5]。

【问题讨论】：

标签： python numpy

【解决方案1】：

我不认为frompyfunc 可以做到这一点，尽管我可能是错的。

关于np.vectorizeA. M. Archibald wrote：

事实上，任何经过 “结合两个”的python代码标量”会很慢。在 python 中循环不是因为 python的循环结构很慢，这是因为执行 python 代码是减缓。所以矢量化是一种欺骗 - 它实际上并不快，但它很方便。

所以np.frompyfunc（和np.vectorize）只是语法糖——它们不会让Python函数运行得更快。意识到这一点后，我对frompyfunc 的兴趣被标记（接近于零）。

Python 循环没有什么不可读的，所以要么明确地使用一个，或重写函数以真正利用 numpy（通过编写真正的矢量化方程）。

import numpy as np

def beta_ml_fraction(beta):    
    a = beta[:,0]
    b = beta[:,1]
    return a / (a + b)


arr=np.array([(2,3)],dtype=np.float)
print(beta_ml_fraction(arr))
# [ 0.4]

arr=np.array([(2,3),(3,3)],dtype=np.float)
print(beta_ml_fraction(arr))
# [ 0.4  0.5]

【讨论】：

【解决方案2】：

在处理二维向量数组时，我喜欢将 x 和 y 分量作为第一个索引。为此，我大量使用了 transpose()

def beta_ml_fraction(beta):
        a = beta[0]
        b = beta[1]
   return a / (a + b)

arr=np.array([(2,3),(3,3)],dtype=np.float) 
print(beta_ml_fraction(arr.transpose()))
# [ 0.4  0.5]

这种方法的优点是处理二维向量的多维数组变得容易。

x = np.arange(18,dtype=np.float).reshape(2,3,3)
print(x)
#array([[[  0.,   1.,   2.],
#        [  3.,   4.,   5.],
#        [  6.,   7.,   8.]],
#
#       [[  9.,  10.,  11.],
#        [ 12.,  13.,  14.],
#        [ 15.,  16.,  17.]]])
print(beta_ml_fraction(x))
#array([[ 0.        ,  0.09090909,  0.15384615],
#       [ 0.2       ,  0.23529412,  0.26315789],
#       [ 0.28571429,  0.30434783,  0.32      ]])

【讨论】：