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。它会急切地计算 x+1 和 1/x，即使最终结果中不需要某些计算值。

其次，numpy 每次运行代码时都会发出警告

RuntimeWarning: divide by zero encountered in true_divide

这与上一点有些相关，因为它试图评估 1/x，即使最终答案中不需要这样做。

是否有一个 select 版本是惰性的并且不会遇到上述问题？

Answer 1

您可以通过显式屏蔽两种情况的输出向量来避免计算：

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做的事情，因此您应该只继续阅读一个毫无意义的设计解决方案，该解决方案实际上解决了问题的“惰性评估”部分。我不建议在实践中使用下面的代码片段！你被警告了。

我终于可以实现实际的惰性评估，尽管它有点混乱并且造成了不必要的情况复杂化（好吧，至少在这种情况下；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去做”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])]

这个想法是通过将它们隐藏在定义后面来保护 的值1/x不被评估lambda。辅助数组xfun1和为 的每个值xfun2定义一个虚拟值；第一次回来，第二次回来。然而，直到您将元素称为 时，才会对这些进行求值。lambdaxx+11/xxfun2[2]()

因此，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，我们需要使用列表理解来评估每个lambda。