Python numpy:sqrt到位：这是一个bug吗？

我尝试在数组的一部分上执行sqrt，使用布尔掩码进行选择

为什么这不起作用：

import numpy as np

a = np.array([[4,9],[16,25]], dtype='float64')

np.sqrt(a[[True, False], :], out=a[[True, False], :])
print(a[[True, False], :]) # prints [[4, 9]], sqrt in place failed

print('')

b = np.zeros_like(a[[True, False], :])
np.sqrt(a[[True, False], :], out=b)
print(b) # prints [[2, 3]] sqrt in b succeeded

如果我选择一个索引，这会起作用，但对我没有帮助，因为我想进行稀疏更新：

import numpy as np

a = np.array([[4,9],[16,25]], dtype='float64')

np.sqrt(a[0, :], out=a[0, :])
print(a[0, :]) # prints [2, 3]

print('')

b = np.zeros_like(a[0, :])
np.abs(a[0, :], out=b) # prints [2, 3]
print(b)

---

sqrt通常不在适当的位置工作。它返回修改后的数组。因此，您必须将行np.sqrta[[True，False]，：]，out=a[[True，False]，：]替换为a=np.sqrta[[True，False]，：]，out=a[[True，False]，：]，以获得数组a中sqrt函数的结果。

sqrt通常不起作用。它返回修改后的数组。因此，您必须将行np.sqrta[[True，False]，：]，out=a[[True，False]，：]替换为a=np.sqrta[[True，False]，：]，out=a[[True，False]，：]，以获得数组a中sqrt函数的结果。

相关部分对此进行了解释：

高级索引始终返回数据对比的副本，而基本切片则返回视图

使用布尔数组进行索引被认为是高级的，因此您总是会得到一个副本，修改它不会触及原始数据。事实上，在你的第一个例子中，b被修改了，但a没有。使用索引只返回一个视图，这就是修改原始数据的原因。

相关部分对此进行了解释：

高级索引始终返回数据对比的副本，而基本切片则返回视图

---

使用布尔数组进行索引被认为是高级的，因此您总是会得到一个副本，修改它不会触及原始数据。事实上，在你的第一个例子中，b被修改了，但a没有。使用索引只会返回一个视图，这就是修改原始数据的原因。

这个问题表明，在一个简单的切片上，就地平方根是可能的。因此，给定稀疏更新，可以在稀疏布尔掩码的真实元素上循环，在这样的切片上做适当的平方根

如果布尔掩码索引返回原始数组的视图，则效率不如假设的那样高，但这可能比没有要好

import numpy as np

a = np.array([[4,9],[16,25]], dtype='float64')

mask = np.array([True, False])

for (i,) in np.argwhere(mask):
    slice = a[i]
    np.sqrt(slice, out=slice)

print(a)

给出：

[[  2.   3.]
 [ 16.  25.]]

---

这个问题表明，在一个简单的切片上，就地平方根是可能的。因此，给定稀疏更新，可以在稀疏布尔掩码的真实元素上循环，在这样的切片上做适当的平方根

如果布尔掩码索引返回原始数组的视图，则效率不如假设的那样高，但这可能比没有要好

import numpy as np

a = np.array([[4,9],[16,25]], dtype='float64')

mask = np.array([True, False])

for (i,) in np.argwhere(mask):
    slice = a[i]
    np.sqrt(slice, out=slice)

print(a)

给出：

[[  2.   3.]
 [ 16.  25.]]

---

也许值得一提的是，大多数numpy操作都不到位。sqrt通常不到位-我不是有意粗鲁，但这是一个相当模糊的说法。执行np.sqrta，out=a确实有效，试试看。对于带有out参数的某些东西，这是不正确的，即它修改out in place。值得一提的是，大多数numpy操作都不在原位。sqrt通常不在原位工作-我无意粗鲁，但这是一个相当模糊的说法。执行np.sqrta，out=a确实有效，请尝试。对于带有out参数的某些东西，这是不正确的，例如，它会修改out in place，因为您正在传递=a[[true，False]，：]，这将创建一个带有新基础缓冲区的新数组，该数组会被丢弃，因为您没有在任何地方保留对它的引用。因为您正在传递=a[[true，False]，：]这会创建一个新的数组，其中包含一个新的底层缓冲区，该缓冲区会被丢弃，因为您没有在任何地方保留对它的引用。我希望不是这样，因为如果索引表达式位于左侧，您可以对其执行就地操作，例如像[[True，False]，：]+=1。@ZuzuCorneliu，因为基于项的设置不同于基于项的获取。基本上，在将[[True，False]，：]传递给np之前，已经对其进行了评估。sqrt@ZuzuCorneliu这是不同的。如另一条评论所述，您编写的内容相当于[[True，False]，：]=a[[True，False]，：]+1，即您使用结果创建一个新数组并将其复制回原始数组array@BlackBear哇！多大的启示啊。你确定那是真的吗？当我在做[[真，假]，：]+=1NP分配一个临时值？在这里，我很高兴地在我的代码中使用类似的东西，想知道为什么它仍然像垃圾一样慢，尽管我已经用部分索引表达式替换了for。如果numpy热衷于执行不必要的alloc/copy/do op/copy reach/free ops，那么当您需要访问部分稀疏数据时，您如何优化代码？@ZuzuCorneliu您可以通过创建一个非常大的矩阵来验证这一点，该矩阵约占RAM的30%，并在这样做时观察内存使用量加倍+=1，然后在操作完成后立即返回到初始级别，即正在进行垃圾收集的副本。尽量避免使用高级索引，或者您可以设法使用SCIPY提供的实际稀疏矩阵。这太令人伤心了。我希望不是这样，因为如果索引表达式位于左侧，您可以对其执行就地操作，例如。

---

像[[True，False]，：]+=1。@ZuzuCorneliu因为基于项的设置不同于基于项的获取。基本上，在将[[True，False]，：]传递给np之前，已经对其进行了评估。sqrt@ZuzuCorneliu这是不同的。如另一条评论所述，您编写的内容相当于[[True，False]，：]=a[[True，False]，：]+1，即您使用结果创建一个新数组并将其复制回原始数组array@BlackBear哇！多大的启示啊。你确定那是真的吗？当我在做[[真，假]，：]+=1NP分配一个临时值？在这里，我很高兴地在我的代码中使用类似的东西，想知道为什么它仍然像垃圾一样慢，尽管我已经用部分索引表达式替换了for。如果numpy热衷于执行不必要的alloc/copy/do op/copy reach/free ops，那么当您需要访问部分稀疏数据时，您如何优化代码？@ZuzuCorneliu您可以通过创建一个非常大的矩阵来验证这一点，该矩阵约占RAM的30%，并在这样做时观察内存使用量加倍+=1，然后在操作完成后立即返回到初始级别，即正在进行垃圾收集的副本。尽量避免高级索引，或者您可以设法使用SCIPY中的实际稀疏矩阵。在这个问题之前，我有一个问题：。从这里可以看到答案，for-loop版本可能效率极低，甚至比数据拷贝更糟糕。速度差异的原因可能是，即使numpy进行数据复制，内部操作也针对连续数据和仅针对连续数据进行了很好的优化，这就是为什么他们实现了这样的高级索引，总是返回一个副本。遗憾的是，他们没有把重点放在稀疏的数据上。@zucorneliu啊，好吧，那太糟糕了。当你说稀疏时，我认为你的布尔掩码有几个真值和很多假值，所以如果你在np.argwheremask上循环，你就不会在很多元素上循环。也许我误解了。在这个问题之前，我有一个问题：。从这里可以看到答案，for-loop版本可能效率极低，甚至比数据拷贝更糟糕。速度差异的原因可能是，即使numpy进行数据复制，内部操作也针对连续数据和仅针对连续数据进行了很好的优化，这就是为什么他们实现了这样的高级索引，总是返回一个副本。遗憾的是，他们没有把重点放在稀疏的数据上。@zucorneliu啊，好吧，那太糟糕了。当你说稀疏时，我认为你的布尔掩码有几个真值和很多假值，所以如果你在np.argwheremask上循环，你就不会在很多元素上循环。也许我误解了。