问题标签 [numpy-ufunc]

有没有办法序列化或保存使用ufuncifySymPy 自动包装模块中的工具进行二值化的函数？

这里有一个解决方案dill：How to serialize sympy lambdified function？，但这仅适用于lambdified函数。

这是一个最小的工作示例来说明：

动机：我想加快几个5000 万字符长的SymPy 表达式；ufuncify效果很好（单独使用三个数量级的改进lambidfy），但ufuncify每个表达式需要 3 小时。我希望能够不时利用ufuncify-ied 表达式（无需等待一天重新处理它们）。更新：为了说明，计算机进入睡眠状态杀死了我的 python 内核，现在我需要等待大约 10 小时才能恢复二进制化函数

我们可以考虑将两种类型的函数应用于 Pandas 系列：转换和聚合。他们在文档中做出了这种区分；转换映射系列中的单个值，而聚合以某种方式总结整个系列（例如平均值）。

apply很清楚如何使用aggregation. 请注意，groupby不涉及，并且聚合不需要groupby.

我正在处理以下情况：我有一个Series其中每一行都是字符串列表。我可以聚合这些数据的一种方法是计算每个字符串的出现次数，并返回 5 个最常见的术语。

如果我将此函数称为top_five_strings(series)，它可以正常工作，就像我调用np.mean(series)了一个数字系列一样。但是，不同之处在于我也可以做到series.agg(np.mean)并得到相同的结果。如果我这样做series.agg(top_five_strings)，我会得到 Series 每一行中的前五个字母（如果你将单行作为函数的参数，这很有意义）。

我认为关键的区别在于它np.mean是 NumPy ufunc，但我无法弄清楚_aggregate帮助函数在 Pandas 源代码中的工作原理。

我剩下两个问题：

1）我可以通过使我的 Python 函数成为一个ufunc（如果可以，如何）来实现这一点？

2）这是一件愚蠢的事情吗？我还没有发现其他人试图做这样的事情。然而，在我看来，能够在 Pandas 框架内实现自定义聚合以及自定义转换（例如，我得到一个 Series 作为结果，就像使用df.describe.

我正在尝试编写一个可以由 numba 向量化的函数，以充当一组数组上的 ufunc：

我在另一个函数中调用上述函数，将它需要的八个数组作为参数传递。我的期望是这个函数将以广播方式应用，就好像每个元素 i 的一维循环（假设所有输入数组大小相等），ufunc 从第 i 个索引处的每个数组获取标量作为其参数，最后在输出数组的第 i 个位置返回四个具有相应值的数组（ufunc 广播的结果减少为输出数组）。

当我将上面的代码作为调用方法的单元测试的一部分运行时，我在控制台中收到以下错误：

我可以通过在签名本身周围添加引号来修改签名，以便将其转换为字符串。当我这样做时，错误现在变成了：

谁能建议我在这里做错了什么？在此先感谢您的任何建议。

如何引用 numpy.ufunc.at 中给定列的所有行或切片

这适用于列：

但是，这些都失败了

或者

我有大量 int32 numpy 一维数组。有没有一种有效的方法来获取与测试数组有非空交集的行的索引？基本上我正在寻找更快的pythonic表达式替代品：

我正在做一些计算，并测量ufunc在不同轴上的性能np.cumsum，以使代码更具性能。

cumsum轴 1 上的速度几乎是轴 0 上的2 倍。cumsum为什么会这样，幕后发生了什么？很高兴能清楚地了解其背后的原因。谢谢！

更新：经过一番研究，我意识到如果有人正在构建一个应用程序，他们总是只对某个轴求和，那么数组应该以适当的顺序初始化：即轴 = 1 总和的C 顺序或Fortran 顺序对于axis = 0 sums，以节省CPU时间。

另外：这个关于连续数组和非连续数组之间差异的优秀答案有很大帮助！

我正在尝试使用像 f=(x-a1)^2+(y-a2)^2+a3 这样的 numpy 创建函数

其中 a1,a2,a3 是随机生成的数字，x,y 是参数。

但我无法使用它，我想找到 f(0,0) 其中 [0,0] 是 [x,y] 和 [a1,a2,a3] 之前设置，但我的代码不起作用。然后我想将此函数转换为张量流张量。这是我的代码，带有“##”的字符串不起作用。

这是有关如何使用的示例numpy.meshgrid

如果我在上面有一个meshgridlike xx，yy但我的函数是一个常规函数，而不是vectorized,f(x,y)例如，常规math.sin函数怎么办？

我知道我可以遍历list of lists, xx，yy但我想尝试模拟vectorized代码。

我正在尝试获取数组 A(N,3) 的切片（例如元素 1-3 和 5-N），避免使用 numpy.delete。该过程的示例如下：

我希望使用类似的东西

但这会执行元素比较，因此删除的元素比我想要的要多。如何做到这一点？我想出了这个想法，但似乎太复杂和缓慢：

有没有办法以更快/更清洁的方式做到这一点？

PD A 的任何两个元素都不相等的假设始终成立

dtype是否应该不考虑关键字参数np.equal？

在函数文档中，它似乎表明dtype应该是一个有效的关键字参数，我找不到任何说它会被忽略的东西，但是在使用逻辑 ufunc 时，它似乎没有被使用：

如果指定了返回 dtype，我希望任何 ufunc 都具有相同的输出类型，但np.add行为符合我的预期，而np.equal没有。这种行为是有意的吗？