Python 矢量化序贯numpy计算

我在numpy中有许多操作，我可以在循环中完美地执行这些操作，但是我还不能在一个numpy调用中对它们进行矢量化

# data matrix
d = np.random.rand(1496, 1, 2)

# boolean matrix
r = np.random.rand(5, 1496, 1, 2) > 0.5

# result matrix
x = np.empty((5,))

# How can I avoid this loop?
for i in xrange(r.shape[0]):
  x[i] = d[r[i]].sum()

---

是否可以通过某种方式对循环进行矢量化来加快速度？

您可以这样对其进行矢量化；由于

d

是小于

r

的一维，当它们相乘时，

d

将沿着

r

的

轴=0

进行广播，从而避免循环；而且由于

r

是一个布尔数组，

d[r].sum（）

将与

（d*r）相同。sum

：

(d * r).sum(axis=(1,2,3))
# array([ 775.17049697,  728.61537246,  735.05686655,  765.19469927,
#         759.44834287])

结果与

x

相同：

((d*r).sum(axis=(1,2,3)) == x).all()
# True

---

@Psidom方法的一种变体：

np.tensordot(d, r, axes=((0,1,2), (1,2,3)))

这取决于

tensordot

功能。从其：

给定两个张量（维数大于或等于1的数组），

a

和

b

，以及包含两个类似数组对象的类似数组对象，

（a\u轴，b\u轴）

，求出

a

和

b

元素（组件）的乘积之和在

a_轴

和

b_轴

指定的轴上

基本上，

tensordot

计算两个数组的乘积（就像@Psidom一样），并计算乘积数组中所有元素的总和。与@Psidom方法相比，该方法的唯一“优势”在于，它允许更灵活地指定在两个数组中哪个轴上执行乘积和求和。与@Psidom的方法相比，它没有提供更好的性能

---

另外，请参见。

将浮点和布尔矩阵相乘并使用广播的好主意（也感谢您的解释）。没有问题。很高兴能帮上忙。方法很有趣。你能解释一下吗？这会比@Psidom的建议更快吗？