我正在为一个项目使用GCC SIMD向量扩展,一切都很好但是转换,它们只是重置向量的所有组件.
在手动状态:
可以从一种向量类型转换为另一种向量类型,前提是它们具有相同的大小(实际上,您也可以将向量转换为相同大小的其他数据类型).
这是一个简单的例子:
#include <stdio.h>
typedef int int4 __attribute__ (( vector_size( sizeof( int ) * 4 ) ));
typedef float float4 __attribute__ (( vector_size( sizeof( float ) * 4 ) ));
int main()
{
int4 i = { 1 , 2 , 3 , 4 };
float4 f = { 0.1 , 0.2 , 0.3 , 0.4 };
printf( "%i %i %i %i\n" , i[0] , i[1] , i[2] , i[3] );
printf( "%f %f %f …我想通过矢量化或使用Data.table或其他方法来提高for循环的速度.我必须在1,000,000行上运行代码,我的代码非常慢.
代码是相当不言自明的.我在下面提供了一个解释,以防万一.我已经包含了函数的输入和输出.希望你能帮助我更快地完成这项功能.
我的 目标是将矢量"Volume"分区,其中每个bin等于100份.向量"卷"包含交易的股票数量.这是它的样子:
head(Volume, n = 60)
[1] 5 3 1 5 3 1 1 1 1 1 1 1 18 1 1 18 2 7 13 2 7 13 3 2 1 1 3 2 1 1 1
[32] 1 6 6 1 1 1 1 1 1 1 1 18 2 1 1 2 1 14 18 2 1 1 2 1 14 1 1 9 5
向量"binIdexVector"与"Volume"的长度相同,它包含bin号; 即前100个股票的每个元素得到数字1,接下来100个股票的每个元素得到数字2,接下来100个股票的每个元素得到数字3,依此类推.这是矢量的样子:
head(binIdexVector, n = 60)
[1] 1 1 …我正在寻找一种方法来划分具有最低公约数的某些矩阵元素.
例如,我有矢量
[0,0,0; 2,4,2;-2,0,8]
我可以告诉最低公约数是2,所以除法后的矩阵将是
[0,0,0;1,2,1;-1,0,4]
什么是内置方法可以计算这个？
提前致谢
ps我个人不喜欢使用循环进行此计算,似乎内置计算可以执行矩阵元素划分.
我有一个DataFrame力 - 位移数据.位移数组已设置为DataFrame索引,列是不同测试的各种力曲线.
如何计算完成的工作("曲线下面积")？
我看着numpy.trapz哪些似乎做了我需要的东西,但我认为我可以避免像这样循环遍历每一列:
import numpy as np
import pandas as pd
forces = pd.read_csv(...)
work_done = {}
for col in forces.columns:
work_done[col] = np.trapz(forces.loc[col], forces.index))
我希望DataFrame在曲线下创建一个新的区域而不是a dict,并且认为DataFrame.apply()或某些东西可能是合适的但不知道从哪里开始寻找.
简而言之:
DataFrame可以直接创建一项工作吗？在此先感谢您的帮助.
为了在Python中编写"分段函数",我通常使用if(在控制流或三元运算符形式).
def spam(x):
return x+1 if x>=0 else 1/(1-x)
现在,有了NumPy,我们的口头禅是为了避免在单个值上进行矢量化,以获得性能.所以我认为这样的事情会更受欢迎:正如Leon所言,以下是错误的
def eggs(x):
y = np.zeros_like(x)
positive = x>=0
y[positive] = x+1
y[np.logical_not(positive)] = 1/(1-x)
return y
(纠正我,如果我在这里错过了一些东西,因为坦率地说,我觉得这很难看.)
现在,当然只有在实际上是一个NumPy数组eggs时才会起作用x,因为否则x>=0只会产生一个布尔值,它不能用于索引(至少不做正确的事情).
有没有一种很好的方法来编写看起来更像是spam在Numpy数组上惯用的代码,或者我应该使用vectorize(spam)？
我想要一个坐标列表.对于坐标中的每个位置,我想为矩阵分配1.最终矩阵应如下所示.我想使用快速矢量化方法而不是for循环.
> sample.matrix
A B C D E F G H I J K L M N O P Q R S T
A 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
B 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
C 0 0 0 0 0 0 0 0 0 0 0 0 0 0 …有谁知道如何提取排名2张量的每行的前n个最大值？
例如,如果我希望形状[2,4]的张量的前2个值具有值:
[[40,30,20,10],[10,20,30,40]]
所需的条件矩阵如下所示:[[True,True,False,False],[False,False,True,True]]
一旦我有了条件矩阵,我就可以使用tf.select来选择实际值.
谢谢你的帮助!
假设我有两个numpy数组,A形状(d, f)和I形状(d,)包含索引0..n,例如
I = np.array([0, 0, 1, 0, 2, 1])
A = np.arange(12).reshape(6, 2)
我要寻找一个快速的方式,使削减,特别是sum,mean和max,在所有切片A[I == i, :]; 一个慢版本
results = np.zeros((I.max() + 1, A.shape[1]))
for i in np.unique(I):
results[i, :] = np.mean(A[I == i, :], axis=0)
在这种情况下给出
results = [[ 2.66666667, 3.66666667],
[ 7. , 8. ],
[ 8. , 9. ]])
编辑:我根据Divakar的回答和之前的海报(已删除)pandas回答做了一些时间安排.
时间码:
from __future__ import division, …我有一个像这样的numpy数组
import numpy as np
ar = np.array([1, 2, 3, 4])
我想创建一个如下所示的数组:
array([[4, 1, 2, 3],
[3, 4, 1, 2],
[2, 3, 4, 1],
[1, 2, 3, 4]])
因此,每行对应于ar行指数+ 1的移位.
简单的实现可能如下所示:
ar_roll = np.tile(ar, ar.shape[0]).reshape(ar.shape[0], ar.shape[0])
for indi, ri in enumerate(ar_roll):
ar_roll[indi, :] = np.roll(ri, indi + 1)
这给了我想要的输出.
我的问题是,是否有一种更聪明的方法来避免循环.
我有一个带整数值的NumPy数组.矩阵的值在矩阵中从0到最大元素(换句话说,在其中呈现的从0到最大数据元素的所有数字).我需要构建有效(有效的快速全矢量化解决方案)来搜索每行中的元素数量,并根据矩阵值对其进行编码.
我找不到类似的问题,或者以某种方式帮助解决这个问题的问题.
所以,如果我有这个data输入:
# shape is (N0=4, m0=4)
1 1 0 4
2 4 2 1
1 2 3 5
4 4 4 1
期望的输出是:
# shape(N=N0, m=data.max()+1):
1 2 0 0 1 0
0 1 2 0 1 0
0 1 1 1 0 1
0 1 0 0 3 0
我知道如何通过简单地计算逐行data 迭代的每一行中的唯一值来解决这个问题,然后结合考虑到data数组中所有可能值的结果.
在使用NumPy进行矢量化时,关键问题是逐个搜索每个数字很慢并且假设有很多唯一数字,这不是有效的解决方案.通常,两者N和唯一数字计数相当大(顺便说一下,N似乎比唯一数字计数大).
有人有好主意吗？)