如何将某些函数应用于python网格？

假设我要计算网格上每个点的值。我将定义一些函数

func

，它将两个值

x

和

y

作为参数，并返回第三个值。在下面的示例中，计算此值需要在外部字典中查找。然后，我将生成一个点网格，并对每个点计算

func

，以获得所需的结果

下面的代码正是这样做的，但有点迂回。首先，我将X和Y坐标矩阵重塑为一维数组，计算所有值，然后将结果重塑为矩阵。我的问题是，这能以更优雅的方式完成吗

import collections as c

# some arbitrary lookup table
a = c.defaultdict(int)
a[1] = 2
a[2] = 3
a[3] = 2
a[4] = 3

def func(x,y):
    # some arbitrary function
    return a[x] + a[y]

X,Y = np.mgrid[1:3, 1:4]
X = X.T
Y = Y.T

Z = np.array([func(x,y) for (x,y) in zip(X.ravel(), Y.ravel())]).reshape(X.shape)
print Z

---

此代码的目的是生成一组值，我可以使用matplotlib中的

pcolor

创建热图类型绘图。

我将使用

numpy.vectorize

对函数进行“矢量化”。请注意，尽管有这个名称，

vectorize

并不是为了让代码运行得更快，只是稍微简化一下

以下是一些例子：

>>> import numpy as np
>>> @np.vectorize
... def foo(a, b):
...    return a + b
... 
>>> foo([1,3,5], [2,4,6])
array([ 3,  7, 11])
>>> foo(np.arange(9).reshape(3,3), np.arange(9).reshape(3,3))
array([[ 0,  2,  4],
       [ 6,  8, 10],
       [12, 14, 16]])

对于你的代码来说，用

np.vectorize

装饰

func

就足够了，然后你可以把它称为

func（X，Y）

——无需

ravel

或

重塑

必要：

import numpy as np
import collections as c

# some arbitrary lookup table
a = c.defaultdict(int)
a[1] = 2
a[2] = 3
a[3] = 2
a[4] = 3

@np.vectorize
def func(x,y):
    # some arbitrary function
    return a[x] + a[y]

X,Y = np.mgrid[1:3, 1:4]
X = X.T
Y = Y.T

Z = func(X, Y)

---

codereview.stackoverflow.com可能是一个更好的地方。我相信

X.restrape（X.size）

与

X.ravel（）相同。您可能还想了解一下。我们也可以直接将
矢量化作为函数应用。例如，对内置的
chr（…）
函数进行向量化：
np.vectorize（chr）（np.arange（97107））
会给出
数组（['a'，'b'，'c'，'d'，'e'，'f'，'g'，'h'，'i'，'j'，dtype='S1'）
。这是真的，但你只是解开了装饰程序的语法糖分。缺点是每次执行该行时都会创建一个新函数，这是一个有点昂贵的操作。对于decorator语法，通常只执行一次（在导入时），因此它没有那么大的问题。