Python 如何在numpy中执行分散/聚集操作
假设我有数组:Python 如何在numpy中执行分散/聚集操作,python,numpy,Python,Numpy,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
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())