Python Numpy将函数数组应用于矩阵列的最快方法

我有一个函数数组shape

（n，）

和一个numpy矩阵shape

（m，n）

。现在我想将每个函数应用到矩阵中对应的列，即

matrix[:, i] = funcs[i](matrix[:, i])

我可以使用

for

循环来实现这一点（参见下面的示例），但在numpy中通常不鼓励使用for循环。我的问题是，最快（最好是最优雅）的方法是什么

一个有效的例子

---

对于具有多行和几列的数组，简单的列迭代应具有时效性：

In [783]: funcs = [lambda x: x+1, lambda x: x+2, lambda x: x+3]
In [784]: arr = np.arange(12).reshape(4,3)
In [785]: for i in range(3):
     ...:     arr[:,i] = funcs[i](arr[:,i])
     ...:     
In [786]: arr
Out[786]: 
array([[ 1,  3,  5],
       [ 4,  6,  8],
       [ 7,  9, 11],
       [10, 12, 14]])

如果函数使用1d数组输入，则不需要

np.vectorize

（

np.vectorize

通常比普通迭代慢。）同样，对于这样的迭代，也不需要将函数列表包装在数组中。在列表上迭代会更快

索引迭代的一个变体：

In [787]: for f, col in zip(funcs, arr.T):
     ...:     col[:] = f(col)
     ...:     
In [788]: arr
Out[788]: 
array([[ 2,  5,  8],
       [ 5,  8, 11],
       [ 8, 11, 14],
       [11, 14, 17]])

我在这里使用

arr.T

，因此迭代在

arr

的列上，而不是行上

---

一般观察：在复杂任务上进行几次迭代是非常好的

numpy

风格。简单任务上的许多迭代都很慢，应该尽可能在编译代码中执行

循环在这里是有效的，因为循环中的任务很重

一个可读的解决方案就是：

np.vectorize(apply)(funcs,matrix)

---

您可以共享您正在使用的实际函数吗？当您反复执行相同的操作时，不鼓励循环，但是当您在不同的Python函数上循环时，可能无法使其更快。

funcs=np.array（[np.vectorize（lambda x:x+1），…

看起来您已经偏离了方向。最好退一步，看看您实际要解决的问题。@Divakar，我使用的函数是基于，但对于特定的任务略有不同。我认为对于我这里的问题来说，解释它会变得太复杂。@roganjosh愿意解释吗？这个与纯Python中的功能非常接近，即函数列表。感谢您的解决方案，您知道Python 3.x中是否有与

apply

等效的功能？

np.vectorize(apply)(funcs,matrix)