Python 不使用直接掩蔽的numpy数组条件矢量化计算

---

我想问一下，是否可以使用用户定义的func，或者利用最快的方法？我曾想过使用索引，但发现它很有挑战性，因为使用

[row\u ind，co\u ind]

的切片元素是选定元素的一维数组。我看到可以使用

重塑

将切片矩阵放入矩阵，但有没有一种优雅的方法？理想情况下，这种

r\u mat+a

操作可以由用户定义的函数代替。

用户定义的函数绝对可以有一个矢量化解决方案，只要该函数在1D数组上矢量化为工作元素（这对于任何使用现成numpy函数编写的内容都是如此）

假设你有

r\u mat

作为

（m，n）

矩阵和

a\u数组

作为

（m，）

向量。您可以编写函数来接受挂钩。每个钩子可以是常量，也可以是可调用的。如果它是可调用的，则使用两个长度相同的数组调用它，并且必须返回第三个长度相同的数组。您可以随意更改该合同以包含索引或任何您想要的内容：

def f(r_mat, a_array, hook11, hook01, hook10, hook00):
    a = a_array[:, None]  # to column vector

    row_mask = (r_mat.mean(axis=1) > 2)[:,None]
    elem_mask = r_mat >= a

    out = np.empty_like(r_mat)

    def apply_hook(mask, hook):
        r, c = np.nonzero(mask)
        out[r, c] = hook(r_mat[r, c], a_array[r]) if callable(hook) else hook

    apply_hook(row_mask & elem_mask, hook11)
    apply_hook(~row_mask & elem_mask, hook01)
    apply_hook(row_mask & ~elem_mask, hook10)
    apply_hook(~row_mask & ~elem_mask, hook00)

    return out

代码中的当前配置的调用方式如下

f(r_mat, a_array, np.subtract, np.add, np.nan, 0)

假设你想做比np.subtract更复杂的事情。例如，您可以执行以下操作：

def my_complicated_func(r, a):
    return np.cumsum(r, a) - 3 * r // a + np.exp(a)

f(r_mat, a_array, my_complicated_func, np.add, np.nan, 0.0)

关键是

my\u complexed\u func

对数组进行操作。它将被传递

r\u mat

元素的子集，并且

a\u数组

元素将根据需要沿着每行重复多次

您还可以通过函数了解每个位置的索引来执行相同的操作。只需调用

hook

作为

hook（r_mat[r，c]，a_数组[r]，r，c）

。现在，钩子函数必须接受两个附加参数。原始代码将相当于

f(r_mat, a_array, lambda r, a, *args: np.subtract(r, a), lambda r, a, *args: np.add(r, a), np.nan, 0)

---

简而言之，答案是否定的，如果没有循环，就不能拥有完全任意的用户定义func。但是，您可以强制用户提供接受

where

作为参数的func。等等，不管怎样。你以前几乎已经回答了你自己的问题。将立即发布。

np.frompyfunc

确实创建了一个

ufunc

，它将

从
和
中取出
，但速度与内置的
ufunc
完全不同。“hook”方法与本例中的直接掩蔽方法类似，或稍慢一点。这是灵活性的代价。在某些情况下，使用索引可能会稍微快一些，因为它不需要额外的过程来确定输出大小。取决于掩模密度和输入大小。
f(r_mat, a_array, lambda r, a, *args: np.subtract(r, a), lambda r, a, *args: np.add(r, a), np.nan, 0)