9

numpyvectorize函数很有用，但是当函数参数是列表而不是标量时，它的表现就不好。举个例子：

import numpy as np

def f(x, A):
    print "type(A)=%s, A=%s"%(type(A),A)
    return sum(A)/x

X = np.linspace(1,2,10)
P = [1,2,3]

f2 = np.vectorize(f)

f(X,P)
f2(X,P)

给出：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'numpy.int64'>, A=1

Traceback (most recent call last):
  File "vectorize.py", line 14, in <module>
    f2(X,P)
  File "/usr/local/lib/python2.6/dist-packages/numpy/lib/function_base.py", line 1824, in __call__
    theout = self.thefunc(*newargs)
  File "vectorize.py", line 5, in f
    return sum(A)/x
TypeError: 'numpy.int64' object is not iterable

我知道函数 f无需ing 它就可以正常vectorize工作，但我想知道（通常）如何矢量化其参数采用列表而不是标量的函数。

4

2 回答 2

11

您的问题并没有明确说明您希望从矢量化函数中看到什么输出，但我假设您希望将相同的列表 (A) 作为参数应用于 f() 的每次调用（即一次对于 X 数组中的每个元素）

函数的矢量化版本确保所有参数都是数组，然后应用numpy 的广播规则来确定应如何组合这些参数。

与 np.array 对 np.ndarray 的包装一样，通过自动将列表转换为包含相同元素的数组，而不是使用 dtype=object 将列表包含为它的唯一元素。大多数时候这是我们想要的，但在你的情况下，这种“聪明”的行为又回来咬你了。

虽然可能有一种方法可以指示 numpy 仅将某些输入视为向量，但有两种直接的方法可以获取您所追求的行为：

  1. 使用 dtype=object手动创建一个数组以在广播规则内工作
  2. 在向量化函数之前对值进行柯里化

1. dtype=对象

Numpy 数组的效率源于仅存储一种类型的项目，但它们仍然可以通过指定存储的数据类型为 python 对象来包含任意 python 对象：

list_obj_array = np.ndarray((1,), dtype=object)
list_obj_array[0] = [1,2,3]
f2(X,list_obj_array)  # using your definition from above

印刷：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]

并返回：

array([ 6.        ,  5.4       ,  4.90909091,  4.5       ,  4.15384615,
        3.85714286,  3.6       ,  3.375     ,  3.17647059,  3.        ])

2.咖喱

由于您将相同的列表传递给数组中每个项目的函数调用，因此您可以在应用矢量化之前通过currying直接将列表与函数一起存储：

def curry_f(A):
    def f_curried(x):
        return f(x, A)  # using your definition from above
    return f_curried

f2 = np.vectorize(curry_f(P))
f2(X)

印刷：

type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]
type(A)=<type 'list'>, A=[1, 2, 3]

并返回：

array([ 6.        ,  5.4       ,  4.90909091,  4.5       ,  4.15384615,
        3.85714286,  3.6       ,  3.375     ,  3.17647059,  3.        ])

PS你可能还想看看np.frompyfunc——它类似于vectorize()，但工作的级别略低。

于 2010-12-21T05:09:27.920 回答
1

这是一个递归装饰器的示例，我目前正在使用它来向量化一个将一维数组作为第一个参数的函数：

def broadcast(fvec):
    def inner(vec, *args, **kwargs):
        if len(vec.shape) > 1:
            return np.array([inner(row, *args, **kwargs) for row in vec])
        else:
            return fvec(vec, *args, **kwargs)
    return inner

我想它的作用与 几乎相同np.vectorize，但结果证明我使用它比尝试适应vectorize/来适应frompyfunc这项工作更容易。

于 2012-11-26T10:39:01.313 回答