如何在1维数组上矢量化操作以生成numpy中的2维矩阵

Question

我有一个值的数组

i = np.arange(0,7,1)

和一个功能

# Returns a column matrix
def fn(i):
    return np.matrix([[i*2,i*3]]).T


fnv = np.vectorize(fn) 

然后写作

fnv(i)

给了我一个错误

  File "<stdin>", line 1, in <module>
  File "c:\Python33\lib\site-packages\numpy\lib\function_base.py", 
        line 1872, in __call__
    return self._vectorize_call(func=func, args=vargs)
  File "c:\Python33\lib\site-packages\numpy\lib\function_base.py", 
        line 1942, in _vectorize_call
        copy=False, subok=True, dtype=otypes[0])
  ValueError: setting an array element with a sequence.

我要找的结果是一个矩阵,有两行,列数和输入数组一样多.实现这一点的numpy中最好的符号是什么？

例如,我会平等

[1,2,3,4,5,6]

并且输出将相等

[[2,4,6,8,10,12],
 [3,6,9,12,15,18]]

Answer 1

编辑 你应该尽量避免使用vectorize,因为它给出了numpy效率的错觉,但在它内部的所有python循环.

如果你真的需要处理用户提供的带有ints并返回matrix形状的函数,(2, 1)那么你可能做的并不多.但这似乎是一个非常奇怪的用例.如果你可以用的是采取的函数列表替换int并返回int,并使用ufuncs在需要的时候,即np.sin代替math.sin,你可以做以下

def vectorize2(funcs) :
    def fnv(arr) :
        return np.vstack([f(arr) for f in funcs])
    return fnv

f2 = vectorize2((lambda x : 2 * x, lambda x : 3 * x))

>>> f2(np.arange(10))
array([[ 0,  2,  4,  6,  8, 10, 12, 14, 16, 18],
       [ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27]])

仅供您参考,我已经将这个矢量化时间与你提出的一个:

f = vectorize(fn)


>>> timeit.timeit('f(np.arange(10))', 'from __main__ import np, f', number=1000)
0.28073329263679625
>>> timeit.timeit('f2(np.arange(10))', 'from __main__ import np, f2', number=1000)
0.023139129945661807


>>> timeit.timeit('f(np.arange(10000))', 'from __main__ import np, f', number=10)
2.3620706288432984
>>> timeit.timeit('f2(np.arange(10000))', 'from __main__ import np, f2', number=10)
0.002757072593169596

因此,即使对于小型阵列,速度也有一个数量级,对于较大的阵列,它可以增长到x1000加速,几乎免费提供.

原始答案

vectorize除非没有办法,否则不要使用它,它很慢.请参阅以下示例

>>> a = np.array(range(7))
>>> a
array([0, 1, 2, 3, 4, 5, 6])
>>> np.vstack((a, a+1))
array([[0, 1, 2, 3, 4, 5, 6],
       [1, 2, 3, 4, 5, 6, 7]])
>>> np.vstack((a, a**2))
array([[ 0,  1,  2,  3,  4,  5,  6],
       [ 0,  1,  4,  9, 16, 25, 36]])

无论你的功能是什么,如果它可以用numpy的ufuncs构建,你可以做类似的事情np.vstack((a, f(a)))并获得你想要的东西