Python 使矢量化numpy函数的行为类似于ufunc

假设我们有一个Python函数，它接受Numpy数组并返回另一个数组：

import numpy as np

def f(x, y, method='p'):
    """Parameters:  x (np.ndarray) , y (np.ndarray), method (str)
    Returns: np.ndarray"""
    z = x.copy()    
    if method == 'p':
        mask = x < 0
    else:
        mask = x > 0
    z[mask] = 0
    return z*y

• 无法更改函数

  f

  ，如果为

  x

  或

  y

  指定标量参数，则函数将失败

• 当

  x

  和

  y

  是标量时，我们将它们转换为一维数组，进行计算，然后在最后将它们转换回标量

• f

  针对数组进行了优化，标量输入主要是一种方便。因此，编写一个使用标量的函数，然后使用

  np.vectorize

  或

  np.frompyfunc

  是不可接受的

实施的开始可以是

def atleast_1d_inverse(res, x):
    # this function fails in some cases (see point 1 below).
    if res.shape[0] == 1:
        return res[0]
    else:
        return res

def ufunc_wrapper(func, args=[]):
    """ func:  the wrapped function
        args:  arguments of func to which we apply np.atleast_1d """

    # this needs to be generated dynamically depending on the definition of func
    def wrapper(x, y, method='p'):
        # we apply np.atleast_1d to the variables given in args
        x = np.atleast_1d(x)
        y = np.atleast_1d(x)

        res = func(x, y, method='p')

        return atleast_1d_inverse(res, x)

    return wrapper

f_ufunc = ufunc_wrapper(f, args=['x', 'y'])

它基本上是有效的，但是会通过上面的测试2，产生一个标量输出而不是向量输出。如果我们想解决这个问题，我们需要在输入类型上添加更多的测试（例如，

isinstance（x，np.ndarray）

，

x.ndim>0

，等等），但我恐怕会忘记一些常见的情况。此外，上述实现不够通用，无法用不同数量的参数包装函数（请参见下面的第2点）

在使用Cython/f2py函数时，这似乎是一个相当常见的问题，我想知道是否有一个通用的解决方案

编辑：在@hpaulj的评论之后再精确一点。基本上，我在寻找

一种至少与np相反的函数，如

至少\u 1d\u逆（np.至少\u 1d（x），x）=x

，其中第二个参数仅用于确定原始对象的类型或维数

x

。返回numpy标量（即ndim=0的数组）而不是python标量是可以的

检查函数f并生成与其定义一致的包装器的方法。例如，这种包装器可以用作

f_ufunc=ufunc_包装（f，args=['x'，'y']）

然后，如果我们有一个不同的函数

def2（x，option=2）：返回x**2

，我们也可以使用

f2\u ufunc=ufunc\u包装（f2，args=['x']）

---

注意：与UFUNC的类比可能有点有限，因为这对应于相反的问题。我没有一个标量函数，我们将其转换为接受向量和标量输入，而是设计了一个用于处理向量的函数（可以看作是以前被向量化的东西），我想再次接受标量，不更改原始函数。

这并不能完全回答使矢量化函数真正像

ufunc

那样工作的问题，但我最近确实遇到了与您的问题类似的

numpy.vectorize

的问题。即使传递了标量输入，该包装器仍坚持返回一个

数组（ndim=0

和

shape=（）

）

但似乎以下做法是正确的。在本例中，我对一个简单函数进行矢量化，以将浮点值返回到一定数量的有效数字

def signif(x, digits):
    return round(x, digits - int(np.floor(np.log10(abs(x)))) - 1)

def vectorize(f):
    vf = np.vectorize(f)

    def newfunc(*args, **kwargs):
        return vf(*args, **kwargs)[()]
    return newfunc

vsignif = vectorize(signif)

这给

>>> vsignif(0.123123, 2)
0.12
>>> vsignif([[0.123123, 123.2]], 2)
array([[   0.12,  120.  ]])
>>> vsignif([[0.123123, 123.2]], [2, 1])
array([[   0.12,  100.  ]])

---

请记住

ufunc

不会返回真正的标量

np.add（1,1）

返回一个

numpy.int32

，形状

（）

。它可能使用了

np.asarray

或等效物。您能想到任何现有的

ufunc

需要转换，如

至少\u 1d

。如果

asarray

足够强大，那么您可能正在将

ufunc

类比推向未知领域。@hpaulj感谢您的评论。是的，当我说标量时，numpy标量（ndim==0的数组）也可以。我对上述问题进行了更详细的编辑，以回应您的评论。类似：

>>> vsignif(0.123123, 2)
0.12
>>> vsignif([[0.123123, 123.2]], 2)
array([[   0.12,  120.  ]])
>>> vsignif([[0.123123, 123.2]], [2, 1])
array([[   0.12,  100.  ]])