Python 在自定义函数中实现轴参数
我正在编写一个相当简单的函数,用于在对数空间中应用梯形规则执行积分 我想添加axis参数以实现类似于Python 在自定义函数中实现轴参数,python,numpy,array-broadcasting,Python,Numpy,Array Broadcasting,我正在编写一个相当简单的函数,用于在对数空间中应用梯形规则执行积分 我想添加axis参数以实现类似于numpy.trapz函数的功能,但对于如何正确实现它,我有点困惑 不可广播的函数如下所示: import numpy as np def logtrapz(y, x): logx = np.log(x) dlogx = np.diff(logx) logy = np.log(y) dlogy = np.diff(logy) b = dlogx +
numpy.trapz
函数的功能,但对于如何正确实现它,我有点困惑
不可广播的函数如下所示:
import numpy as np
def logtrapz(y, x):
logx = np.log(x)
dlogx = np.diff(logx)
logy = np.log(y)
dlogy = np.diff(logy)
b = dlogx + dlogy
a = np.exp(logx + logy)
dF = a[:-1] * (np.exp(b) - 1)/b * dlogx
return np.sum(dF)
这适用于1D输入
我认为解决方案在于
numpy.expand_dims
,但我不确定如何实现它来演示交互式会话中的片段探索:
In [216]: slice(None)
Out[216]: slice(None, None, None)
In [217]: slice??
Init signature: slice(self, /, *args, **kwargs)
Docstring:
slice(stop)
slice(start, stop[, step])
Create a slice object. This is used for extended slicing (e.g. a[0:10:2]).
Type: type
Subclasses:
In [218]: np.s_[:]
Out[218]: slice(None, None, None)
我没有看过np.trapz
代码,但我知道其他numpy
函数通常在需要轴时构造索引元组
例如,三维阵列的通用索引:
In [221]: arr = np.arange(24).reshape(2,3,4)
In [223]: idx = [slice(None) for _ in range(3)]
In [224]: idx
Out[224]: [slice(None, None, None), slice(None, None, None), slice(None, None, None)]
In [225]: idx[1]=1
In [226]: idx
Out[226]: [slice(None, None, None), 1, slice(None, None, None)]
In [227]: tuple(idx)
Out[227]: (slice(None, None, None), 1, slice(None, None, None))
In [228]: arr[tuple(idx)] # arr[:,1,:]
Out[228]:
array([[ 4, 5, 6, 7],
[16, 17, 18, 19]])
In [229]: idx[2]=2
In [230]: arr[tuple(idx)] # arr[:,1,2]
Out[230]: array([ 6, 18])
要演示交互式会话中的片段
探索,请执行以下操作:
In [216]: slice(None)
Out[216]: slice(None, None, None)
In [217]: slice??
Init signature: slice(self, /, *args, **kwargs)
Docstring:
slice(stop)
slice(start, stop[, step])
Create a slice object. This is used for extended slicing (e.g. a[0:10:2]).
Type: type
Subclasses:
In [218]: np.s_[:]
Out[218]: slice(None, None, None)
我没有看过np.trapz
代码,但我知道其他numpy
函数通常在需要轴时构造索引元组
例如,三维阵列的通用索引:
In [221]: arr = np.arange(24).reshape(2,3,4)
In [223]: idx = [slice(None) for _ in range(3)]
In [224]: idx
Out[224]: [slice(None, None, None), slice(None, None, None), slice(None, None, None)]
In [225]: idx[1]=1
In [226]: idx
Out[226]: [slice(None, None, None), 1, slice(None, None, None)]
In [227]: tuple(idx)
Out[227]: (slice(None, None, None), 1, slice(None, None, None))
In [228]: arr[tuple(idx)] # arr[:,1,:]
Out[228]:
array([[ 4, 5, 6, 7],
[16, 17, 18, 19]])
In [229]: idx[2]=2
In [230]: arr[tuple(idx)] # arr[:,1,2]
Out[230]: array([ 6, 18])
我通过复制numpy.trapz
中使用的方法解决了这个问题。这有点复杂,但效果相当不错
对于将来的读者,上述函数的可广播版本是
import numpy as np
def logtrapz(y, x, axis=-1):
x = np.asanyarray(x)
logx = np.log(x)
if x.ndim == 1:
dlogx = np.diff(logx)
# reshape to correct shape
shape1 = [1]*y.ndim
shape1[axis] = dlogx.shape[0]
shape2 = [1]*y.ndim
shape2[axis] = logx.shape[0]
dlogx = dlogx.reshape(shape1)
logx = logx.reshape(shape2)
else:
dlogx = np.diff(x, axis=axis)
nd = y.ndim
slice1 = [slice(None)]*nd
slice2 = [slice(None)]*nd
slice1[axis] = slice(None, -1)
slice2[axis] = slice(1, None)
slice1 = tuple(slice1)
slice2 = tuple(slice2)
logy = np.log(y)
dlogy = logy[slice2] - logy[slice1]
b = dlogx + dlogy
a = np.exp(logx + logy)
dF = a[slice1] * (np.exp(b) - 1)/b * dlogx
np.sum(dF, axis=axis)
为了实现“可广播性”,采用了重塑
和切片
的组合,显式地创建具有所需输出形状的“形状”向量
我认为这可以用一种更短、更简洁的方法来实现,但显然这是numpy本身实现的方法。我复制了numpy.trapz
中使用的方法来解决这个问题。这有点复杂,但效果相当不错
对于将来的读者,上述函数的可广播版本是
import numpy as np
def logtrapz(y, x, axis=-1):
x = np.asanyarray(x)
logx = np.log(x)
if x.ndim == 1:
dlogx = np.diff(logx)
# reshape to correct shape
shape1 = [1]*y.ndim
shape1[axis] = dlogx.shape[0]
shape2 = [1]*y.ndim
shape2[axis] = logx.shape[0]
dlogx = dlogx.reshape(shape1)
logx = logx.reshape(shape2)
else:
dlogx = np.diff(x, axis=axis)
nd = y.ndim
slice1 = [slice(None)]*nd
slice2 = [slice(None)]*nd
slice1[axis] = slice(None, -1)
slice2[axis] = slice(1, None)
slice1 = tuple(slice1)
slice2 = tuple(slice2)
logy = np.log(y)
dlogy = logy[slice2] - logy[slice1]
b = dlogx + dlogy
a = np.exp(logx + logy)
dF = a[slice1] * (np.exp(b) - 1)/b * dlogx
np.sum(dF, axis=axis)
为了实现“可广播性”,采用了重塑
和切片
的组合,显式地创建具有所需输出形状的“形状”向量
我原以为这可以用一种更短更简洁的方法来实现,但显然这是numpy本身实现的方法。你可以阅读np.trapz
和np.expand_dims
@hpaulj的Python代码,我现在正在做,但有些段落使用了几乎没有文档的特性。特别是np.trapz
源代码()的第4059到4064行使用了slice(None)
,这在官方slice文档中没有记录。slice(None)
生成一个slice对象,slice(None,None,None)
与索引符号中的[:]
或[:]
。这是一种从经验中比从文档中获得更多的细节。在交互环境中尝试一些代码对于这种代码阅读和开发是必不可少的。您可以阅读np.trapz
和np.expand_dims
@hpaulj的Python代码。我现在正在做这件事,但有些段落使用了几乎没有文档记录的特性。特别是np.trapz
源代码()的第4059到4064行使用了slice(None)
,这在官方slice文档中没有记录。slice(None)
生成一个slice对象,slice(None,None,None)
与索引符号中的[:]
或[:]
。这是一种从经验中比从文档中获得更多的细节。在交互环境中尝试代码位对于这种代码阅读和开发非常重要。我非常感谢您对slice(None)
的解释,但我不能说这是对我问题的回答。我非常感谢您对slice(None)
的解释,但我不能说这是对我问题的回答。