Python 如何优化多维numpy阵列计算？

给定一个5D阵列，目标是计算提取的两个阵列之间的差异。为简单起见，假设在第二个位置测量差异，可以表示为

bt

和

lf

。这两个数组中的值可以提取如下：

arr[ep, bt, mt, bd, :] - arr[ep, lf, mt, bd, :]

注意，在上面，第一（

ep

）、第三（

mt

）和第四（

bd

）轴的索引对于这两个阵列是相同的，只有第二轴的位置索引不同（

bt

和

lf

）

基于此要求，提出了以下代码，并将其打包在函数

嵌套的\u for_循环

下：

import numpy as np
from joblib import Parallel, delayed
np.random.seed(0)

ub_lb_pair = np.tril_indices (5, -1)

arr = np.random.randn(3, 5, 4, 3, 2)
my_shape = arr.shape

def nested_for_loop():
    store_cval = np.full([my_shape[0], 10, my_shape[2], my_shape[3], my_shape[4]],
                         np.nan)  # preallocate
    for ep in range(0, my_shape[0]):
        for mt in range(0, my_shape[2]):
            for bd in range(0, my_shape[3]):
                for idx,(bt, lf) in enumerate(zip(ub_lb_pair[0], ub_lb_pair[1])):
                    store_cval[ep, idx, mt, bd, :] = arr[ep, bt, mt, bd, :] - \
                                                     arr[ep, lf, mt, bd, :]
    return store_cval


store_cval = nested_for_loop()

但是，如果可能的话，我想使代码更加紧凑和高效

我能想到的一种方法是利用

joblibparallel

模块，它可以实现如下所示的功能

multi_prop

def multi_prop(my_arr, ep):
    temp_ = np.full([10, my_shape[2], my_shape[3], my_shape[4]],
                    np.nan)
    for mt in range(0, my_shape[2]):
        for bd in range(0, my_shape[3]):
            for idx, (bt, lf) in enumerate(zip(ub_lb_pair[0], ub_lb_pair[1])):
                temp_[idx, mt, bd, :] = my_arr[ep, bt, mt, bd, :] - my_arr[ep, lf, mt, bd, :]
                x = 1
    return  temp_

dist_abs = Parallel(n_jobs=-1)(delayed(multi_prop)(arr, ep) for ep in range(0, my_shape[0]))

dist_abs = np.array(dist_abs)
bb = np.array_equal(store_cval, dist_abs)

---

但是，我想知道，这是否是实现同样目标的一种更具numpythonic的方法。

您根本不需要任何循环。想象一下这对奇特的指数：

bt, lf = np.tril_indices (5, -1)

你在找什么

store_cval = arr[:, bt] - arr[:, lf]

请记住，

store_cval[ep，idx，mt，bd，：]=arr[ep，bt，mt，bd，：]-arr[ep，lf，mt，bd，：]

是上一个索引上的隐式循环。它们都是环，你不需要在引擎盖上有任何环

一个更普遍的解决方案：

def diffs(arr, axis):
    a, b = np.tril_indices(arr.shape[axis], -1)
    ind1 = [slice(None) for _ in range(arr.ndim)]
    ind2 = ind1.copy()
    ind1[axis] = a
    ind2[axis] = b
    return arr[tuple(ind1)] - arr[tuple(ind2)]

---

为什么只为最后一个维度创建一个切片

arr[：，bt，：，：，：，：，：]和arr[：，lf，：，：]

或者甚至

arr[：，bt，…]和arr[：，lf，…]

？假设最后一个维度的形状为2和，并且每个维度都具有值

[3,4]

和

[1,1]

。因此，它们之间的区别是

[2,3]

。这对你有意义吗@hpaulj？嗨@Mad，谢谢你的详细解释。由于某种原因，我无法重现上述结果。例如，

轴的值是多少。此外，我的编译器在
ind1=[slice（None）for uu.in range arr.ndim]
行上提供了预期的警告
End-of-statement
。最后，你是说
tril
成为
np.tril\u索引
？@balandongiv。对不起，我打错了。现在修好了。在本例中，您希望沿第二个轴使用组合，因此
axis=1