在Numpy中使用更具Python风格的迭代方式

我是一名工科学生，我习惯于用Fortran编写代码，但现在我正在尝试更多地了解Python，以便使用Numpy编写数值公式

如果我需要使用多个数组中的元素重复执行一个计算，那么我用Fortran编写的代码的直接转换就是

k = np.zeros(N, dtype=np.float)
u = ...
M = ...
r = ...
for i in xrange(N):
  k[i] = ... # Something with u[i], M[i], r[i] and r[i - 1], for example

但我想知道这种方式是否更像蟒蛇，或者在任何方面更可取：

for i, (k_i, u_i, M_i, r_i) in enumerate(zip(k, u, M, r)):
  k_i = ... # Something with u_i, M_i, r_i and r[i - 1]

由于enumerate，我有了索引，否则如果我不需要它，我可以只使用zip或itertools.izip

---

有什么想法吗？代码在性能方面如何受到影响？还有其他方法可以做到这一点吗？

我喜欢列表理解

k = [ x ** y for x, y in zip(some_array, some_other_array) ]

其他如

map

map( lambda x, y : x*y , zip(some_array, some_other_array) )

将两个数组相乘并返回一个列表或生成器。（当然，在numpy中还有其他执行特定任务的方法。）如果要将其转换回数组，可以这样做

---

k=数组（[x**y代表x，y在zip中（一些数组，一些其他数组）]）

几乎所有numpy操作都是按元素执行的。因此，与其编写显式循环，不如尝试使用基于数组的公式定义

k

：

r_shifted = np.roll(x, shift = 1)
k = ... # some formula in terms of u, M, r, r_shifted

例如，代替

import numpy as np

N=5
k = np.zeros(N, dtype=np.float)
u = np.ones(N, dtype=np.float)
M = np.ones(N, dtype=np.float)
r = np.ones(N, dtype=np.float)
for i in xrange(N):
  k[i] = u[i] + M[i] + r[i] + r[i-1]
print(k)  
# [ 4.  4.  4.  4.  4.]

使用：

---

返回与

r

大小相同的新数组，其中

r\u移位[i]=r[i-1]

表示

i=0，…，N-1

In [31]: x = np.arange(5)

In [32]: x
Out[32]: array([0, 1, 2, 3, 4])

In [33]: np.roll(x, shift = 1)
Out[33]: array([4, 0, 1, 2, 3])

制作这样的副本需要更多内存（与

r

大小相同），但允许您执行快速的numpy操作，而不是使用缓慢的Python循环

---

有时，

k

的公式可以用

r[：-1]

和

r[1:][/code>来定义。注
r[：-1]
和
r[1://code>是
r
的切片，形状相同。
在这种情况下，您不需要任何额外的内存，因为
r
的基本片是
r
的所谓视图，而不是副本

在上面的例子中，我没有这样定义
k
，因为
k
的长度应该是
N-1
，而不是
N
，因此，它与原始代码产生的结果略有不同。
事实是，并非总是能够为所需的计算编写公式：可能涉及到更复杂的操作，或者可能将数组初始化为零，并使用一些外部值执行连续的方法。例如，当试图解决一个ODE时就是这样。无论如何，谢谢你的np.roll（）提示！的确如果没有numpy基函数或表达式来避免Python循环，那么您可能希望尝试在中重写循环（另请参见“使用Cython进行快速数值计算”）。还有，它允许您从Python调用Fortran函数。那你就不必翻译你的代码了，我已经知道f2py，我想用Python写我的代码；但是Cython也是一个好主意，它从双方都受益。事实是，使用这种方法，您无法恢复以前的元素，例如（这就是为什么我使用enumerate，如图所示）非常正确。当我对序列进行复杂的操作时，我有时会编写一个独立的函数生成器来显式地生成结果。如果需要，我的调用代码可以将其打包到numpy数组中。-1，因为numpy中首选的方式是元素操作。见联合国大学的答复
In [31]: x = np.arange(5)

In [32]: x
Out[32]: array([0, 1, 2, 3, 4])

In [33]: np.roll(x, shift = 1)
Out[33]: array([4, 0, 1, 2, 3])