Numpy Broadcasting для пользовательских функций

Question

Numpy Broadcasting для пользовательских функций

1

В numpy, если a является ndarray, то что-то вроде np.sin(a) принимает sin всех записей ndarray. Что делать, если мне нужно определить мою собственную функцию (для глупого примера, f(x) = sin(x) if x<1 else cos(x)) с режимом вещания?

Igor Rivin 21 сен. 2018, в 07:00

Источник

0

Возможно, вы представляете проблему XY с вашим «глупым» примером. Возможно, если вы скажете, что вы на самом деле пытаетесь сделать, мы могли бы лучше векторизоваться?
Daniel F 21 сен. 2018, в 07:07
0

@DanielF Что такое "проблема XY"?
Igor Rivin 21 сен. 2018, в 13:00

Теги:

python

numpy

python-3.x

2 ответа

2

Используйте np.where:

np.where(a<1,np.cos(a), np.sin(a))

Пример:

a = [-1,1,2,-2]

>>> np.where(a<1,np.cos(a), np.sin(a))
array([-0.84147098,  0.84147098,  0.90929743, -0.90929743])

Если у вас несколько условий, используйте np.select

sacul 21 сен. 2018, в 03:04

1

Я немного озадачен поведением этого. Если вы установите a = np.array([[1, 0], [3, 4]]) а затем np.where (a == 0, 0, 1 / a), вы получите предупреждение о делении на ноль ( конечный результат является правильным), что заставляет думать, что на самом деле это в 2 раза больше необходимой работы. Это верно?
Igor Rivin 21 сен. 2018, в 05:09
1

Интересно отметить! Я предполагаю, что он выполняет операцию со всем массивом, но возвращает его только тогда, когда условие выполнено (или не выполнено) ... Я не знаю внутреннюю работу, но функция часто достаточно эффективна для меня.
sacuL 21 сен. 2018, в 05:23
2

@ Игорь: Да, это правильно. Если это имеет значение, вы можете использовать cond = a > 1 , ret = np.cos(a, where=cond) , ret = np.sin(a, where=~cond, out=ret) , но вы можете обнаружить, что он медленнее
Eric 21 сен. 2018, в 05:28
0

@ Эрик, спасибо! Я предполагаю, что это цена, которую мы платим за «модель Python» (где Python является связующим звеном для базового монолитного движка C ++). Что касается скорости, так как в том, что я делаю, в какой-то момент вычисляются собственные значения и собственные векторы массива, замедление не имеет значения (хотя и забавно).
Igor Rivin 21 сен. 2018, в 06:09
0

Обратите внимание, что векторизация на уровне процессора иногда может означать, что быстрее вычислить два смежных блока памяти и использовать np.where для выбора между ними, чем вычислять половину каждого блока.
Eric 22 сен. 2018, в 02:11

Показать ещё 3 комментария

Ещё вопросы

Возможно, вы представляете проблему XY с вашим «глупым» примером. Возможно, если вы скажете, что вы на самом деле пытаетесь сделать, мы могли бы лучше векторизоваться?
Я немного озадачен поведением этого. Если вы установите a = np.array([[1, 0], [3, 4]]) а затем np.where (a == 0, 0, 1 / a), вы получите предупреждение о делении на ноль ( конечный результат является правильным), что заставляет думать, что на самом деле это в 2 раза больше необходимой работы. Это верно?
Интересно отметить! Я предполагаю, что он выполняет операцию со всем массивом, но возвращает его только тогда, когда условие выполнено (или не выполнено) ... Я не знаю внутреннюю работу, но функция часто достаточно эффективна для меня.
@ Игорь: Да, это правильно. Если это имеет значение, вы можете использовать cond = a > 1 , ret = np.cos(a, where=cond) , ret = np.sin(a, where=~cond, out=ret) , но вы можете обнаружить, что он медленнее
@ Эрик, спасибо! Я предполагаю, что это цена, которую мы платим за «модель Python» (где Python является связующим звеном для базового монолитного движка C ++). Что касается скорости, так как в том, что я делаю, в какой-то момент вычисляются собственные значения и собственные векторы массива, замедление не имеет значения (хотя и забавно).
Обратите внимание, что векторизация на уровне процессора иногда может означать, что быстрее вычислить два смежных блока памяти и использовать np.where для выбора между ними, чем вычислять половину каждого блока.

Hans Musgrave · Accepted Answer · 2018-09-21T02-31-00.000Z

Вы можете определить свою собственную функцию f = lambda x: sin(x) if x<1 else cos(x) а затем использовать numpy builtin f_broadcasting = np.vectorize(f).

Это не обеспечивает каких-либо улучшений скорости (и дополнительные накладные расходы могут замедлить небольшие проблемы), но это дает вам желаемое поведение в области вещания.

Это отвечает на мой реальный вопрос (хотя я имел в виду что-то вроде других адресов ответов ...), спасибо! Я боялся проблемы с производительностью ...