Python numpy.max的惰性计算

假设我有一个1D numpy数组

x

，形状

（n，）

主要由零组成，还有一个2D数组

Y

，形状

（m，n）

。我想计算

np.sum(x * np.max(Y,axis=0))

i、 e.

x

与矩阵

Y

的点积，通过取每列的最大值进行展平。如果这些数组很大，并且

x

主要由零组成，那么我可能正在执行大量浪费的

max

操作

---

是否有任何方法可以以惰性方式进行计算，以便仅对非零值计算最大值？我正在寻找一种优雅的方法——显然，我可以编写for循环并检查零值

您可以使用

np.where

查找非零索引。例如（

m=3

和

n=6

）：

输出

36.0

---

不确定它是否与函数式编程有关，但是

0*NaN=NaN

，

0*Infinity=NaN

，

0*-1=-0

唯一有可能提高速度的方法是使用

mask=x=0

选择

Y

的列或行进行进一步处理。我还没有计算出你的尺寸，看看这是否可行。

np.max（Y，1）

有形状（m，）。

*

是如何（n，）成形的

x

？我认为@hpaulj有一个好主意。下面是如何实现它的：

np.sum（x[mask]*np.max（Y[mask，：]，axis=1））

。但是你需要在你的实际数据上测试它，看看它是否真的更快。现在你需要做一些计时来确定什么时候更快！我把它作为OP的任务，为了所有人的利益在这里发布结果。

36.0