Numpy nump和x27的干运行；s矢量化

当我运行一个用numpy矢量化的函数时，它的执行次数总是比我预期的要多。因此，在实际调用开始之前，似乎有一个试运行。最近，我因为这个遇到了麻烦。请参见以下示例：

import numpy as np

class PERSON:
    def __init__(self, age):
        self.age = age

class TIME:
    def __init__(self):
        self.ages = np.array([0,0])

    def init_persons(self):
        vec_init_persons = np.vectorize(self.__scalar_init_person)
        self.persons = vec_init_persons(self.ages)

    def __scalar_init_person(self, age):
        return PERSON(age)

    def let_time_pass(self):
        vec_let_time_pass = np.vectorize(self.__scalar_let_time_pass)
        vec_let_time_pass(self.persons)

    def __scalar_let_time_pass(self, person):
        person.age += 1

time = TIME()
time.init_persons()
time.let_time_pass()

print("Age of person 1: {}".format(time.persons[0].age)) # output is 2 not 1!
print("Age of person 2: {}".format(time.persons[1].age)) # output is 1

通常，我猜，两个人的年龄都是1岁。 因此，我的问题是：

现在有人知道这次演习的目的了吗？对我来说，我似乎是潜在麻烦的来源

这个例子说明，处理问题的pythonic方法是什么

从文件中

通过调用 具有输入的第一个元素的函数。这是可以避免的 通过指定

otypes

参数

矢量化

功能主要是为了方便，而不是为了 演出该实现本质上是一个for循环

---

np.vectorize

进行一次计算以确定结果的

dtype

。我想这就是你所谓的试运行。要避免这种情况，请使用

otypes

。还可能有一个

缓存

选项。在任何情况下，

vectorize

都是为了在无法使用“真实”numpy矢量化的情况下提供方便。它不是一个性能工具。阅读完整的文档。有时最好让“vectorized”函数打印其参数，这样您就可以更清楚地了解

np.vectorize

最终如何调用它<代码>np。矢量化不会编译您的函数。这只是对输入进行迭代的另一种方式。也许最好的方法就是不要使用

np。矢量化
谢谢hpaulj的第一条评论！使用选项“cache=True”正是我想要的。事实上，我不认为总是使用“cache=True”有任何缺点。你知道为什么没有将默认的缓存设置为True吗？它说
缓存会减慢代码的速度，不是吗<代码>矢量化
已经很慢。我认为
otypes
更好。人们已经通过自动数据类型得到了位（例如，期望浮点数，但由于试运行返回0而得到int）。在这里，
ages
上的简单迭代更好。