Python 将函数应用于数据数组的0维 问题

我有一个

ndarray

，由

arr

定义，它是一个

n

维立方体，每个维的长度

m

我想通过沿维度

n=0

切片，并将每个

n-1

-dim切片作为函数的输入，来执行函数

func

这似乎适用于

map（）

，但我找不到合适的

numpy

变体<矢量化似乎将

n-1

-张量拆分为单个标量项。无论是

沿_轴应用

还是

在_轴上应用

似乎都不合适

我的问题是，我需要将任意函数作为输入传递，因此我认为

einsum

的解决方案也不可行

问题:

• 您知道使用

  np.asarray（map（func，arr））的最佳
  numpy
  替代方法吗

例子 我通过以下方式将示例数组，

arr

定义为

4

-dim立方体（或4-张量）：

我定义了一个示例函数

f

def f(x):
    """makes it obvious how the np.ndarray is being passed into the function"""
    try: # perform an op using x[0,0,0] which is expected to exist
        i = x[0,0,0]
    except:
        print '\nno element x[0,0,0] in x: \n{}'.format(x)
        return np.nan
    return x-x+i

此函数的预期结果，

res

，将保持相同的形状，但将满足以下要求：

print all([(res[i] == i*m**(n-1)).all() for i in range(m)])

这适用于默认的

map（）

函数

res = np.asarray(map(f, a))
print all([(res[i] == i*m**(n-1)).all() for i in range(m)])
True

我希望

np.vectorize

的工作方式与

map（）

相同，但它在标量条目中起作用：

res = np.vectorize(f)(a)

no element x[0,0,0] in x: 
0
...

---

考虑到

arr

是4d，并且您的

fn

可以在3d阵列上工作

np.asarray(map(func, arr))

看起来非常合理。我会使用列表理解表单，但这是编程风格的问题

np.asarray([func(i) for i in arr])

for i in arr

在

arr

的第一个维度上迭代。实际上，它将

arr

视为3d阵列的列表。然后它将结果列表重新组合成4d数组

np.vectorize

doc可以更明确地说明使用标量的函数。但是是的，它将值作为标量传递。请注意，

np.vectorize

没有传递迭代轴参数的规定。当函数从多个数组中获取值时，它最有用，例如

 [func(a,b) for a,b in zip(arrA, arrB)]

它概括了

zip

，因此允许广播。但除此之外，它是一个迭代的解决方案。它对

func

的本质一无所知，因此无法加快调用速度

np.vectorize

最终调用了

np.frompyfunc

，它的通用性稍差，速度稍快。但它也将标量传递给func

np.沿/在ax（e/i）上应用

也在一个或多个轴上迭代。你可能会发现他们的代码很有启发性，但我同意他们不适用于这里

map方法的一种变体是分配结果数组和索引：

In [45]: res=np.zeros_like(arr,int)
In [46]: for i in range(arr.shape[0]):
    ...:     res[i,...] = f(arr[i,...])

如果需要在与第一个轴不同的轴上迭代，这可能会更容易

你需要自己计时，看看哪个更快

========================

在第一个维度上进行迭代并进行就地修改的示例：

In [58]: arr.__array_interface__['data']  # data buffer address
Out[58]: (152720784, False)

In [59]: for i,a in enumerate(arr):
    ...:     print(a.__array_interface__['data'])
    ...:     a[0,0,:]=i
    ...:     
(152720784, False)   # address of the views (same buffer)
(152720892, False)
(152721000, False)

In [60]: arr
Out[60]: 
array([[[[ 0,  0,  0],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        ...

       [[[ 1,  1,  1],
         [30, 31, 32],
         ...

       [[[ 2,  2,  2],
         [57, 58, 59],
         [60, 61, 62]],
       ...]]])

---

当我迭代一个数组时，我得到一个从公共数据缓冲区上的连续点开始的视图。如果我修改视图，如上所述，甚至使用

a[：]=…

，我会修改原始视图。我不必写任何回信。但是不要使用

a=..

，这会断开与原始数组的链接。

相关但没有解决问题：

map（）的问题

和生成器表达式是为

ndarray

重新分配内存位置，这对于大型数组是浪费的-我希望有一个

numpy

函数，它只使用现有内存指针指向当前数组位置

arr[I，]=f（arr[I，…）

将子阵列放回原始阵列中。是否创建临时数组、副本或视图取决于

f

正在执行的操作的详细信息。但是我想知道你对numpy数组中

内存指针的使用有多了解。谢谢你的提示！我想说，我比大多数python专家都更了解，但可能是平均水平较低——这让我了解了大部分情况，特别是第2.3节和第3.1.1节，我将尝试编写一个
f
的示例，该示例修改其输入
x
，而不是最后一个赋值。谢谢-我正在处理大小为
48**4
或甚至
48**7
的晶格，但后者我可能会使用
C
或
Fortran
所以内存使用是值得考虑的，即使它只是我代码中的一条注释作为提醒
In [58]: arr.__array_interface__['data']  # data buffer address
Out[58]: (152720784, False)

In [59]: for i,a in enumerate(arr):
    ...:     print(a.__array_interface__['data'])
    ...:     a[0,0,:]=i
    ...:     
(152720784, False)   # address of the views (same buffer)
(152720892, False)
(152721000, False)

In [60]: arr
Out[60]: 
array([[[[ 0,  0,  0],
         [ 3,  4,  5],
         [ 6,  7,  8]],

        ...

       [[[ 1,  1,  1],
         [30, 31, 32],
         ...

       [[[ 2,  2,  2],
         [57, 58, 59],
         [60, 61, 62]],
       ...]]])