Python 如何使用numpy.frompyfunc返回元素数组而不是数组数组?
我正在使用SHTOOLS包中的PLegendre函数。它返回特定参数的勒让德多项式数组。PLegendre(lmax,x)返回一组勒让德多项式P_0(x)到P_lmax(x)。它的工作原理如下:Python 如何使用numpy.frompyfunc返回元素数组而不是数组数组?,python,arrays,numpy,numpy-ufunc,Python,Arrays,Numpy,Numpy Ufunc,我正在使用SHTOOLS包中的PLegendre函数。它返回特定参数的勒让德多项式数组。PLegendre(lmax,x)返回一组勒让德多项式P_0(x)到P_lmax(x)。它的工作原理如下: In [1]: from pyshtools import PLegendre loading shtools documentation In [2]: import numpy as np In [3]: PLegendre(3,0.5) Out[3]: array([ 1. , 0.5
In [1]: from pyshtools import PLegendre
loading shtools documentation
In [2]: import numpy as np
In [3]: PLegendre(3,0.5)
Out[3]: array([ 1. , 0.5 , -0.125 , -0.4375])
我想传递一个数组作为参数,所以我使用frompyfunc
In [4]: legendre=np.frompyfunc(PLegendre,2,1)
In [5]: legendre(3,np.linspace(0,1,4))
Out[5]:
array([array([ 1. , 0. , -0.5, -0. ]),
array([ 1. , 0.33333333, -0.33333333, -0.40740741]),
array([ 1. , 0.66666667, 0.16666667, -0.25925926]),
array([ 1., 1., 1., 1.])], dtype=object)
输出是一个数组数组。我知道我可以通过切片数组从中创建一个元素数组
In [6]: a=legendre(3,np.linspace(0,1,4))
In [7]: array([a[i][:] for i in xrange(4)])
Out[7]:
array([[ 1. , 0. , -0.5 , -0. ],
[ 1. , 0.33333333, -0.33333333, -0.40740741],
[ 1. , 0.66666667, 0.16666667, -0.25925926],
[ 1. , 1. , 1. , 1. ]])
但是。。有没有一种方法可以直接实现这一点,而不必对数组数组进行切片?我认为这不能像在
np.vectorize的例子中已经指出的那样直接完成,它几乎完成了同样的事情。请注意,通过使用np.frompyfunc
,您的代码并不比普通的for
循环快。。。代码只是看起来更好
但是,您可以使用np.vstack
而不是列表
a = legendre(3,np.linspace(0,1,4))
np.vstack(a)
np.frompyfunc
是编译的,所以我必须深入到源代码中,看看它到底在做什么。但它似乎假设func输出是一个(难以理解的)Python对象
foo1 = np.frompyfunc(np.arange,1,1)
foo2 = np.vectorize(np.arange,otypes='O')
这两个函数产生相同的输出,尽管foo1
更快
foo1(np.arange(4))
生成不同大小的数组
array([array([], dtype=int32), array([0]), array([0, 1]), array([0, 1, 2])], dtype=object)
其中asfoo1(np.one((4,)
都是相同的,理论上可以叠加
在循环期间或之后,没有人试图测试对象是否是数组(或列表),以及它们是否可以组合成单个高维数组
plonser
使用vstack
是个好主意。事实上frompyfunc
plusvstack
比更常见的列表理解plusvstack
更快
In [54]: timeit np.vstack([np.arange(i) for i in 10*np.ones((10,))])
10000 loops, best of 3: 169 µs per loop
In [55]: timeit np.vstack(foo1(10*np.ones((10,))))
10000 loops, best of 3: 127 µs per loop