Python numpy—为2d数组中的每对行计算f（v1，v2）的最有效方法

假设我有一个2d（正方形）矩阵和一个函数：

import numpy as np
data = np.random.rand(10000, 10000)

def func(v1, v2):
    n1, n2 = np.linalg.norm(v1), np.linalg.norm(v2)
    return(np.dot(v1, v2) / (n1 * n2))

我想计算'data'中每对行的'func'，并将其保存到输出矩阵'out'。因此基本上相当于：

out = np.ndarray(data.shape)
for i in range(data.shape[0]):
    for j in range(data.shape[1]):
        out[i,j] = func(data[i, :], data[j, :])

---

显然，上述方法速度非常慢且效率低下。在这样的数组中，迭代行对（通常是元组）的最佳（num）python方式是什么？给定的“func”是一个任意的R^n x R^n->R函数。

如果您有一个通用函数，则更通用的方法是使用

np.fromiter

（这通常比

循环更快）：

func
是您正在使用的实际函数还是只是一个演示函数？@Divakar这是两个向量之间夹角的余弦函数示例。想要使用比点积更复杂的东西，因为这可以用np.inner（data，data）@Divakar来解决，当然这个可以通过首先缩放向量来简化
import itertools
n = 4
data = np.random.random((n, n))

def func(tup):
    v1, v2 = tup
    n1, n2 = np.linalg.norm(v1), np.linalg.norm(v2)
    return(np.dot(v1, v2) / (n1 * n2))

out = np.fromiter(map(func, itertools.product(data, data)), np.float).reshape(n,n)

print(out)
>>array([[1.        , 0.57588563, 0.44980109, 0.93490176],
       [0.57588563, 1.        , 0.71004626, 0.6908402 ],
       [0.44980109, 0.71004626, 1.        , 0.68118222],
       [0.93490176, 0.6908402 , 0.68118222, 1.        ]])