Python 如何在numpy中执行分散/聚集操作

假设我有数组：

a = array((1,2,3,4,5))
indices = array((1,1,1,1))

我执行以下操作：

a[indices] += 1

结果是

array([1, 3, 3, 4, 5])

换句话说，

索引

中的重复项将被忽略

如果我不想忽略重复项，导致：

array([1, 6, 3, 4, 5])

我该怎么办

上面的例子有些琐碎，下面正是我想要做的：

def inflate(self,pressure):
    faceforces = pressure * cross(self.verts[self.faces[:,1]]-self.verts[self.faces[:,0]], self.verts[self.faces[:,2]]-self.verts[self.faces[:,0]])
    self.verts[self.faces[:,0]] += faceforces
    self.verts[self.faces[:,1]] += faceforces
    self.verts[self.faces[:,2]] += faceforces

def constrain_lengths(self):
    vectors = self.verts[self.constraints[:,1]] - self.verts[self.constraints[:,0]]
    lengths = sqrt(sum(square(vectors), axis=1))
    correction = 0.5 * (vectors.T * (1 - (self.restlengths / lengths))).T
    self.verts[self.constraints[:,0]] += correction
    self.verts[self.constraints[:,1]] -= correction

def compute_normals(self):
    facenormals = cross(self.verts[self.faces[:,1]]-self.verts[self.faces[:,0]], self.verts[self.faces[:,2]]-self.verts[self.faces[:,0]])
    self.normals.fill(0)
    self.normals[self.faces[:,0]] += facenormals
    self.normals[self.faces[:,1]] += facenormals
    self.normals[self.faces[:,2]] += facenormals
    lengths = sqrt(sum(square(self.normals), axis=1))
    self.normals = (self.normals.T / lengths).T

---

由于在索引分配操作中忽略了重复项，我得到了一些非常错误的结果。

我不知道有什么方法比以下方法更快：

for face in self.faces[:,0]:
    self.verts[face] += faceforces

您还可以将self.faces制作成一个包含3个字典的数组，其中键对应于面，值对应于需要添加的次数。然后您会得到如下代码：

for face in self.faces[0]:
    self.verts[face] += self.faces[0][face]*faceforces

---

这可能更快。我真的希望有人能想出一个更好的方法，因为我想在今天早些时候帮助别人加速他们的代码时这样做。

numpy

的

直方图

函数是一个分散操作

a+=柱状图（索引、箱子=a.size，范围=（0，a.size））[0]

您可能需要注意一些，因为如果

索引

包含整数，小的舍入错误可能会导致值最终进入错误的存储区。在这种情况下，请使用：

a+=直方图（指数、仓位=a.size，范围=（-0.5，a.size-0.5））[0]

将每个索引放入每个箱子的中心

---

更新：这是有效的。但我建议使用@Eelco Hoogendoorn基于

numpy.add.at

的答案来回答派对，但考虑到这种操作的普遍性，以及它似乎仍然不是标准numpy的一部分，我将我的解决方案放在这里以供参考：

def scatter(rowidx, vals, target):
    """compute target[rowidx] += vals, allowing for repeated values in rowidx"""
    rowidx = np.ravel(rowidx)
    vals   = np.ravel(vals)
    cols   = len(vals)
    data   = np.ones(cols)
    colidx = np.arange(cols)
    rows   = len(target)
    from scipy.sparse import coo_matrix
    M = coo_matrix((data,(rowidx,colidx)), shape=(rows, cols))
    target += M*vals
def gather(idx, vals):
    """for symmetry with scatter"""
    return vals[idx]

对于初学者来说，numpy中的自定义C例程的速度可以轻松地提高一倍，从而消除了多余的1分配和与1的乘法，但是与python中的循环相比，它在性能上有很大的不同

除了性能方面的考虑外，使用分散操作在风格上更符合其他numpy矢量化代码，而不是在代码中混搭一些for循环

编辑：

好吧，忘掉上面的事。从最新的1.8版本开始，numpy以最佳效率直接支持分散操作

def scatter(idx, vals, target):
    """target[idx] += vals, but allowing for repeats in idx"""
    np.add.at(target, idx.ravel(), vals.ravel())