我有一個2D數組，其中我需要獨立處理每個“列”（axis= 1）。對于每列（1D 數組），我需要一個應用于 1D 數組的每個長度尾部的函數，以提供長度為 N 的數組，如下所示。如何讓它更快？也許通過刪除 for 循環。我用map/lambda/hstack來做這件事，直到我命中了除以零的錯誤，這需要if/elif/else條件來消除行進到無窮大。import numpy as npx = np.random.rand(20,5)def get_updown_array(loc_array): return np.array([updown(loc_array[x:]) for x in list(range(loc_array.shape[0]))])def updown(local_array): sub_length = ((local_array.shape[0]) + 1) // 2 # to get the middle value when length is uneven a = local_array[:sub_length].mean() # first half mean b = local_array[-sub_length:].mean() # second half mean if not a == 0: return ( b - a ) / abs(a) elif not b == 0: return ( b - a ) / abs(( a + b ) / 2) else: return 0result = np.apply_along_axis(get_updown_array, 0, x)if/else 條件邏輯似乎消除了同時在一個 numpy 維度中跨多個值應用函數的能力。我研究了如何使用veyize，盡管這似乎仍然需要第一個函數中的for循環。我看了 pandas.apply，雖然它看起來更慢，之后仍然需要一個連接或 vstack/hstack？Cython被考慮過，盡管這仍然讓不雅的循環咯吱咯吱咯吱地溜走了。我嘗試了np.where，盡管這仍然需要一個for循環。有沒有辦法在沒有for循環的情況下將數學/邏輯應用于每個長度的尾部？最快的方法是什么？堆棧溢出社區。
1 回答
嚕嚕噠
TA貢獻1784條經驗 獲得超7個贊
我會做這樣的事情：
def updown(x):
result = np.zeros_like(x)
for i in range(len(x)):
mid = (len(x)+1)//2
a = x[:mid].mean(axis=0)
b = x[-mid:].mean(axis=0)
mask_a = a != 0
mask_b = (a == 0) & (b != 0)
result[i, mask_a] = (b[mask_a] - a[mask_a]) / abs(a[mask_a])
result[i, mask_b] = (b[mask_b] - a[mask_b]) / abs((a[mask_b] + b[mask_b])/2)
x = x[1:]
return result
在循環相當不可避免的情況下，最好預先分配結果數組（如果事先知道維度）并填充循環中的值。這還具有允許預先填充默認值零的優點。
無需在 列上應用任何內容，因為其他運算（和算術）可以很容易地應用于所選軸。xmean
條件邏輯是通過屏蔽實現的。
您還可以使用 和 關鍵字參數：outwherenp.divide
def updown(x):
result = np.zeros_like(x)
for i in range(len(x)):
mid = (len(x)+1)//2
a = x[:mid].mean(axis=0)
b = x[-mid:].mean(axis=0)
np.divide(b - a, abs(a), out=result[i], where=(a != 0))
np.divide(b - a, abs((a + b)/2), out=result[i], where=(a == 0) & (b != 0))
x = x[1:]
return result
讓我們看看一些性能比較（我已經將整個原始代碼包裝在一個名為updown_orig)
對于維度，我們只看到 2 倍的改進：(20, 5)
In []: %timeit updown_orig(np.random.rand(20, 5))
1 ms ± 13.9 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In []: %timeit updown(np.random.rand(20, 5))
508 μs ± 10.2 μs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
讓我們將兩個維度縮放 10（將 大小增加 100 倍）：x
In []: %timeit updown_orig(np.random.rand(200, 50))
96.4 ms ± 1.91 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
In []: %timeit updown(np.random.rand(200, 50))
5.84 ms ± 64 μs per loop (mean ± std. dev. of 7 runs, 100 loops each)
現在，差異約為16.5倍。
添加回答
舉報
0/150
提交
取消