Python Numpy：矢量化双分支测试（类似三值运算符）

我正在Numpy中对一个测试进行矢量化，以实现以下想法：执行一些元素级的测试，并根据测试选择expr1或expr2。这类似于C:

test？expr1:expr2

我认为有两种主要的方法可以实现这一点；我想知道是否有充分的理由选择其中一个而不是另一个；也许还有其他的技巧，我很高兴知道。主要目标是速度；因此，我不想使用

np.vectorize

和

if-else

语句

例如，我将重新构建

min

函数；求你了，不要告诉我一些计算它的Numpy函数；这仅仅是一个例子

想法1：在乘法中使用布尔值的算术值：

# a and b have similar shape
test = a < b
ntest = np.logical_not(test)
out = test*a + ntest*b

#a和b的形状相似
试验=a

Idea 2：或多或少遵循APL/J编码风格（使用条件表达式作为比初始数组多一个维度的数组的索引）

#a和b的形状相似
这是使用
choose

np.choose(a<b, [b,a])

保存一级函数重定向

另一种选择：

out = b.copy(); out[test] = a[test]

在快速测试中，这实际上更快。
masked.filled
使用
np.copyto
进行这种“where”复制，尽管它似乎没有更快

选择
的变体是
其中
：

np.where(test,a,b)

或者使用
where
（或
np.nonzero
）将布尔索引转换为数字索引：

I = np.where(test); out = b.copy(); out[I] = a[I]

出于某种原因，这比单件式快了一倍

我过去曾使用过乘法方法；如果我能正确地回忆起APL（虽然那是几十年前的事）。避免被0除的一个老技巧是加
n==0
，
a/（b==0））
。但它并不普遍适用。
a*0
，
a*1

choose
看起来不错，但是使用
模式
参数可能更强大（因此也更复杂）

我不确定是否有“最佳”的方法。计时测试可以评估某些情况，但我不知道它们可以推广到所有情况

np.where(test,a,b)

I = np.where(test); out = b.copy(); out[I] = a[I]