python中的映射求和 目标

我想使用

map

函数计算求和

通过使用以下样本数据：

X = [[2,3,4,5,6],[1,4,5,3,5]]
Y = [8.5,9.6]

这是我目前得到的：

import numpy as np

X = np.array([[2,3,4,5,6],[1,4,5,3,5]])
Y = np.array([8.5,9.6])
summation = X[0].dot(Y[0]) + X[1].dot(Y[1])

或

编辑：性能比较

---

最快的解决方案是使用map函数求和，其次是

np.sum

，最慢的是

map

函数。

一次

点

调用就足够了

X.T.dot(Y)
array([ 26.6,  63.9,  82. ,  71.3,  99. ])

---

这将提供与所描述的其他两种方法相同的结果。我敢打赌，这比你能想出的任何

map

解决方案都要快（即使在这里使用它毫无意义）。

一个

点

呼叫就足够了

X.T.dot(Y)
array([ 26.6,  63.9,  82. ,  71.3,  99. ])

---

这将提供与所描述的其他两种方法相同的结果。我敢打赌，这比你能想到的任何

map

解决方案都要快（即使在这里使用没有意义）。

不确定这是否是一种优雅的方式，但它使用了map功能

sum(map(lambda x: x*Y[np.where(X==x)[0][0]], X))
array([ 26.6,  63.9,  82. ,  71.3,  99. ])

---

不确定这是否是一种优雅的方式，但它使用了map函数

sum(map(lambda x: x*Y[np.where(X==x)[0][0]], X))
array([ 26.6,  63.9,  82. ,  71.3,  99. ])

---

你也可以试试这个，尽管这不是最“干净”的方法：

X = np.array([[2,3,4,5,6],[1,4,5,3,5]])
Y = np.array([8.5,9.6])

def summation(X, Y):
    return sum(map(lambda x, y: x*y, X, Y))

print(summation(X,Y))

结果是：

[ 26.6  63.9  82.   71.3  99. ]

---

你也可以试试这个，尽管这不是最“干净”的方法：

X = np.array([[2,3,4,5,6],[1,4,5,3,5]])
Y = np.array([8.5,9.6])

def summation(X, Y):
    return sum(map(lambda x, y: x*y, X, Y))

print(summation(X,Y))

结果是：

[ 26.6  63.9  82.   71.3  99. ]

---

---

您的方程式和样本数据不匹配。方程显示了两个秩1张量（aka向量），看起来像一个简单的点积，而在数据

X

中是秩2张量（aka矩阵）。另外，为什么您要在同时使用

numpy

的同时使用

map

？@Ignacio Vergara Kausel。我重新建立了这个公式，我想知道一个新的方法来使用地图。用于学术用途和性能比较。公平地说，我认为你应该在更大的数据集上进行基准测试。认真地说，在1000x1000列表上尝试一下，你会看到差异。你的等式和样本数据不匹配。方程显示了两个秩1张量（aka向量），看起来像一个简单的点积，而在数据

X

中是秩2张量（aka矩阵）。另外，为什么您要在同时使用

numpy

的同时使用

map

？@Ignacio Vergara Kausel。我重新建立了这个公式，我想知道一个新的方法来使用地图。用于学术用途和性能比较。公平地说，我认为你应该在更大的数据集上进行基准测试。说真的，在1000x1000个列表上尝试一下，你会看到不同之处。这是另一种方式，谢谢，但是使用map函数，如何设计函数？@PeCaDe Python map？你真的不能，我也不建议你这么做。好的，这是尝试最快的方法，在一些并行应用它processing@PeCaDe好消息

X.T.dot（Y）

可能是你见过的最快的方法，除此之外没有其他方法。我保证，否则就把你的钱退回来。那是另一种方式，谢谢你，但是有了map函数，你怎么能设计这个函数呢？@pecadepythonmap？你真的不能，我也不建议你这么做。好的，这是尝试最快的方法，在一些并行应用它processing@PeCaDe好消息

X.T.dot（Y）

可能是你见过的最快的方法，除此之外没有其他方法。我保证，否则就把你的钱还给你。你做到了，我会编辑来比较性能@COLDSPEED也做得很好。太棒了！有趣的结果：）如果你做到了，我将编辑以比较性能@COLDSPEED也做得很好。太棒了！有趣的结果：）这一切都是最好的