Python 有可能使下面的代码更快吗？

所提供的代码工作得非常好，但我希望它更高效（如果可能的话）

我的问题是是否可以更有效地生成数组

np_b

。特别是，是否可以通过

theano_f（*np_a）

计算

np_a

的所有元素上的函数

theano_f

，以便应用广播（？）或矢量化（？）

请注意，我已经简化了我的实际问题，并且我必须使用

theano_函数

从一些symphy函数生成

theano_f

，实际数组

np_a

包含许多元素

from sympy import symbols
from sympy.printing.theanocode import theano_function
import numpy as np

x,y,z = symbols('x y z')
sympy_f = x+y+z # a sympy-function which depends on 3 variables
theano_f = theano_function([x,y,z], [sympy_f]) # Theano-compiled function which depends on 3 scalars
np_a = np.array([[1,1,1],[2,2,2],[-1,-2,0],[0,2,0]])
np_b = np.array([theano_f(*x) for x in np_a]) # The obtained four numbers 
#should be recorded into the numpy-array np_b
print(np_b)

也许可以试试：

也许可以试试：

---

numpy.vectorize

至少可以避免创建列表，然后将其转换回数组：。感谢您的回复。不幸的是，我仍然不明白如何让它工作。我已经创建了一个向量化函数

vectoriazed\u f=np.vectoriaze（theano\u f）

。但是，

vectoriazed_f（*[1,1,1]）

工作正常，但是

vectoriazed_f（np_a）

会引发类型错误：缺少必需的输入。因此，我认为整个问题在于如何在

np\u a

中解包元素。您能否演示如何在这种情况下实际应用矢量化？

numpy.vectorize

至少可以避免创建列表，然后将其转换回数组：。感谢您的回复。不幸的是，我仍然不明白如何让它工作。我已经创建了一个向量化函数

vectoriazed\u f=np.vectoriaze（theano\u f）

。但是，

vectoriazed_f（*[1,1,1]）

工作正常，但是

vectoriazed_f（np_a）

会引发类型错误：缺少必需的输入。因此，我认为整个问题在于如何在

np\u a

中解包元素。您能演示一下在这种情况下如何实际应用矢量化吗？

apply\u沿_轴

仍然在

b

的其他维度上迭代。这是一个方便的工具，不是一个快速的工具。谢谢你的回复。不幸的是，当我试图调用函数

np\u b=np.apply\u沿着轴（theano\u f，1，np\u a）

（我想这就是我在这种情况下应该做的事情），出现了一个错误“维数错误：预期为0，形状为1（3，）有没有什么方法可以以某种智能的方式解包

np_a

的元素，从而有效地计算函数

theano_f

？正如hpaulj所说，它不是一个真正的速度工具，因此可能不会有帮助。不过你还是可以试试。您发布的错误表示您将此应用于数组的维度错误。尝试使用沿轴应用，将第二个参数（轴）设置为0而不是1。

apply\u沿轴应用

仍会在

b

的其他维度上迭代。这是一个方便的工具，不是一个快速的工具。谢谢你的回复。不幸的是，当我试图调用函数

np\u b=np.apply\u沿着轴（theano\u f，1，np\u a）

（我想这就是我在这种情况下应该做的事情），出现了一个错误“维数错误：预期为0，形状为1（3，）有没有什么方法可以以某种智能的方式解包

np_a

的元素，从而有效地计算函数

theano_f

？正如hpaulj所说，它不是一个真正的速度工具，因此可能不会有帮助。不过你还是可以试试。您发布的错误表示您将此应用于数组的维度错误。尝试使用沿_轴应用_，并将第二个参数（轴）设置为0而不是1。

>>> def my_func(a):
...     """Average first and last element of a 1-D array"""
...     return (a[0] + a[-1]) * 0.5
>>> b = np.array([[1,2,3], [4,5,6], [7,8,9]])
>>> np.apply_along_axis(my_func, 0, b)
array([ 4.,  5.,  6.])
>>> np.apply_along_axis(my_func, 1, b)
array([ 2.,  5.,  8.])