问题标签 [numpy-ufunc]

我想从形状为 (70000, 640, 480, 3) 的数组制作视频。第一个轴是我想在不使用循环附加每张照片的情况下将它们收集到视频中的照片数量。

我正在使用一个需要 NumPy 的包。到目前为止，它工作正常。但是今天，由于扩展了我的代码，我需要最新版本的 NumPy。旧版本是 17.something，我安装了最新版本。之后我面临下面提到的问题Github上问题的详细链接

我需要优化一个算法，该算法需要尽可能快，目前，它是 2 个向量问题的点积的基本求和，但我认为我的解决方案有点多余，爱因斯坦符号可以得到更快的结果。首先，我有一个单值案例：

我需要连续使用 8 次，所以我想出了另一个野蛮的解决方案：

现在，第一个代码重复 8 次大约需要 1 秒，而第二个代码需要 0.4 秒。但是，我将在优化 AI 算法中使用它们，因此它将以这种形式循环数周。可变形状有：

任何帮助，即使没有爱因斯坦符号，但将第二个代码总和减少到 4 行，就像上面那样，对我有很大帮助。

作为统计编程包的一部分，我需要将对数转换后的值与LogSumExp 函数一起添加。这比将未记录的值加在一起效率要低得多。

此外，我需要使用numpy.ufunc.reduecat功能将值相加。

我考虑过多种选择，代码如下：

1. （用于在非对数空间中进行比较）使用numpy.add.reduceat
2. Numpy 的 ufunc 用于将记录的值相加：np.logaddexp.reduceat
3. 具有以下 logsumexp 函数的手写 reduceat 函数：
   • scipy对logsumexp的实现
   • Python 中的 logsumexp 函数（带有numba）
   • Python 中的流式 logsumexp 函数（使用numba）

timeit 结果表明，带有 numba 的手写 logsumexp 函数是最快的选项，但仍然比 numpy.add.reduceat 慢 10 倍。

几个问题：

1. 还有其他更快的方法（或对我提出的选项进行调整）吗？例如，有没有办法使用查找表来计算 logsumexp 函数？
2. 为什么 Sebastian Nowozin 的“流式 logsumexp”函数不比天真的方法快？

我有一个基本的 Pandas DataFrame，例如：

我如何对每个索引的每个类别进行数学运算？- 举个例子，比如在索引处2我想乘以can.c除以foo.d加can.d号bar.c？- 现在在 DataFrame 级别，我想要一个名为result每个索引存储的新列，结果是这样吗？

我正在尝试创建一个新列，指定基于状态字母代码列的状态区域。我已经查看了其他问题，并尝试使用 .apply 和使用 np.select ，如下所示。有人可以帮我修复代码，并解释幕后发生的事情背后的概念，以便我了解如何解决这个问题。

我试图关注的另一个问题是在这里-pandas 根据其他列的值创建新列/逐行应用多列的函数

我有一些代码，但不明白为什么会出现差异：

np.std() 单独使用时默认 ddof=0。

但是为什么当它用作pivot_table（aggfunc = np.std）中的参数时，它会自动变为ddof = 1。

为了计算混淆矩阵（而不是准确性），可能需要在预测标签和真实标签上循环。如果下一个代码没有给出所需的结果，如何以 numpy 的方式执行该操作？

回溯（最后一次调用）：文件“C：/Users/acer/Downloads/len.py”，第 1 行，来自 numpy 导入日志 ModuleNotFoundError：没有名为“numpy”的模块

我该怎么办？？请帮我

通常我可以使用 numpy.isnan() 检查 NaN：

但是对于包含字符串的数组，我怎样才能达到同样的效果呢？