通过公式在python中定义数据数组

我有一个多维数组，初始形式为

C=np.zero（[20,20,20,20]）

。然后我尝试通过一些公式给C赋值（

C（x）=（在本例中为exp（-x）^2）

）

---

这可以用一种更快、可能更像pythonish的方式来完成吗？

这里有一种方法

步骤#1获取代码中使用

np.array（it.multi#u index）

计算的所有索引对应的所有组合。在此基础上，可以利用

步骤#2以矢量化方式对所有组合执行L2范数计算

第3步最后以元素方式执行

C（x）=（exp（-x）^2）

# Get combinations using itertools.product
combs = np.array(list(product(range(N), repeat=4)))

# Perform L2 norm and elementwise exponential calculations to get final o/p 
out = np.exp(-np.sqrt((combs**2).sum(1))**2).reshape(N,N,N,N)

运行时测试并验证输出-

In [42]: def vectorized_app(N):
    ...:     combs = np.array(list(product(range(N), repeat=4)))
    ...:     return np.exp(-np.sqrt((combs**2).sum(1))**2).reshape(N,N,N,N)
    ...: 
    ...: def original_app(N):
    ...:     C=np.zeros([N,N,N,N])
    ...:     it=np.nditer(C, flags=['multi_index'], op_flags=['readwrite'])
    ...:     while not it.finished:
    ...:         diff_n=np.linalg.norm(np.array(it.multi_index))
    ...:         it[0]=np.exp(-diff_n**2)
    ...:         it.iternext()
    ...:     return C
    ...: 

In [43]: N = 10

In [44]: %timeit original_app(N)
1 loops, best of 3: 288 ms per loop

In [45]: %timeit vectorized_app(N)
100 loops, best of 3: 8.63 ms per loop

In [46]: np.allclose(vectorized_app(N),original_app(N))
Out[46]: True

---

看起来你不想把你的操作应用到每个元素的索引上？这个怎么样：

x = np.exp(-np.linalg.norm(np.indices([20,20,20,20]), axis=0)**2)

np.INDEX是一个非常灵活的函数。对于更复杂的操作，mgrid和meshgrid也是相关的。在本例中，由于有4个维度，它返回一个形状为（4,20,20,20）的数组

纯numpy的速度要快一点：）

结果完全一样：

In [26]: np.all(C == x)
Out[26]: True

---

非常感谢。我刚刚得到“product（）得到了一个意外的关键字参数‘repeat’”，但可能是python的旧版本（？）@PeterFranek你的python版本是什么？2.7.6..（在Ubuntu下）我应该重新安装吗？@PeterFranek好的，我使用的是

2.7.9

。这项功能看起来很旧，就像在中使用的一样。你能试着重新安装吗？我认为这个带有repeat的

产品对你很有用！最后一个问题，你的代码真的至少快了两倍吗？如果可以，我会重新安装：）从您的示例判断，您已经找到了
nditer
教程页面。最后给出了在Cython代码中使用
nditer
的示例。那很快。但在Python代码中，它并不比其他迭代方法快。最好完全避免迭代。
In [13]: timeit posted_code()
1 loops, best of 3: 843 ms per loop

In [14]: timeit np.exp(-np.linalg.norm(np.indices([20,20,20,20]), axis=0)**2)
100 loops, best of 3: 3.76 ms per loop

In [26]: np.all(C == x)
Out[26]: True