如何在2d numpy数组/矩阵中应用每个元素的函数/映射值？

给定以下numpy矩阵：

import numpy as np
mymatrix = mymatrix = np.matrix('-1 0 1; -2 0 2; -4 0 4')


matrix([[-1,  0,  1],
        [-2,  0,  2],
        [-4,  0,  4]])

以及以下功能（sigmoid/logistic）：

我想得到一个新的numpy数组/矩阵，其中每个元素都是将

myfunc

函数应用于原始矩阵中相应元素的结果

映射（myfunc，mymatrix）

失败，因为它试图将myfunc应用于行而不是每个元素。我尝试使用

numpy.apply_沿_轴

和

numpy.apply_over_轴

，但它们也用于将函数应用于行或列，而不是逐个元素

那么如何将

myfunc（z）

应用于

myarray

的每个元素，以获得：

matrix([[ 0.26894142,  0.5       ,  0.73105858],
        [ 0.11920292,  0.5       ,  0.88079708],
        [ 0.01798621,  0.5       ,  0.98201379]])

---

显然，将函数应用于元素的方法是将函数转换为向量化版本，该版本以数组作为输入，返回数组作为输出

使用

numpy.vectorize

可以轻松地将函数转换为矢量化形式，如下所示：

myfunc_vec = np.vectorize(myfunc)
result = myfunc_vec(mymatrix)

或一次性使用：

np.vectorize(myfunc)(mymatrix)

正如@Divakar所指出的，如果您可以从头开始编写一个已经矢量化的函数（使用构建的numpy而不使用

numpy.vectorize

），则更好（性能方面）：

由于已矢量化（而

math.exp

未矢量化），整个表达式

1/（1+np.exp（-m））

将矢量化（比将原始函数应用于每个元素更快）

以下完整示例生成了所需的输出：

import numpy as np
mymatrix = np.matrix('-1 0 1; -2 0 2; -4 0 4')
import math
def myfunc(z):
    return 1/(1+math.exp(-z))

np.vectorize(myfunc)(mymatrix) # ok, but slow

def my_vectorized_func(m):
    return 1/(1+np.exp(-m))

my_vectorized_func(mymatrix) # faster using numpy built-in ufuncs

---

为了以防万一，scipy有一个可以直接调用矩阵的函数。

为了提高性能，您应该使用NumPy ufuncs-

1/（1+np.exp（-mymatrix））

。我修改了答案，加入了一个使用内置NumPy.exp的版本，谢谢

def my_vectorized_func(m):
    return 1/(1+np.exp(-m))  # np.exp() is a built-in ufunc

my_vectorized_func(mymatrix)

import numpy as np
mymatrix = np.matrix('-1 0 1; -2 0 2; -4 0 4')
import math
def myfunc(z):
    return 1/(1+math.exp(-z))

np.vectorize(myfunc)(mymatrix) # ok, but slow

def my_vectorized_func(m):
    return 1/(1+np.exp(-m))

my_vectorized_func(mymatrix) # faster using numpy built-in ufuncs