Python 一个涉及到填充物放置位置的广播问题 介绍

我有一个可向量化的函数

func

，我使用

np.frompyfunc

对其进行向量化。我不想对循环使用嵌套的

，我只想调用它一次，因此我需要用
np.newaxis
填充输入

我的目标是摆脱两个嵌套的
for
循环，改用
numpy.array
广播功能

这里是MWE
for
循环（我想去掉for循环，而是在调用
myfunc
时填充变量
c_0
，
c_1
，
rn_1
，
rn_2
，以及
因子
）

利益问题的解决
上述显式for循环是正确的，并包含在质量保证的块代码中

我目前的努力
单片代码块
问题
通过上面的代码，我得到了结果数组的正确形状（
results2
是我尝试广播的结果，
results
是给出正确答案的慢for循环），但它的值是错误的
正如
@hpaulj
所指出的，如果我将
b_00
的尺寸更改为长度4（或更大的尺寸），我的解决方案甚至无法获得正确的形状
更新
请确保它既适用于当前的
b_00=np.array（[2.2,1.1,4.4]）
，也适用于更通用的
b_00=np.array（[2.2,1.1,4.4,5.1,6.2]）
。我想要一个广播解决方案，但会接受一个比
for循环更快的解决方案

#Definitions
coord = np.array([1,1,2])
coord2 = np.array([3,3,3])
c_0 = np.array([[0,0,2],[0,2,0],[2,0,0],[1,1,0], [1,0,1]])
c_1 = np.array([[0,0,2],[0,2,0],[2,0,0]])
b_00 = np.array([2.2, 1.1, 4.4]) # np.array([2.2, 3.3, 40.4])
b_11 = np.array([1.2, 3.3]) # np.array([1.2, 5.3])

#Vectorized code for prep 
b_0 = np.outer(b_00, coord)
b_1 = np.outer(b_11, coord2)
factor = (b_00+b_11.reshape(-1,1)).T[:,:,None]
rn = np.divide((b_0[:,None]+b_1), factor)
rn_1 = coord-rn
rn_2 = coord2-rn

#THIS IS YOUR INTERESTING PART
results = np.prod(myfunc(c_0[:,None,:,None,None], c_1[None,:,:,None,None], rn_1.transpose(2,0,1), rn_2.transpose(2,0,1), factor.transpose(2,0,1)).transpose(3,4,0,1,2), axis=4)
results = np.add.reduce(results, axis=(0,1))
results

出于理解目的，因为在旧的循环解决方案中，myfunc在rn_1和rn_2的第一个轴上运行，广播频道需要是最后2个，而不是第一个。因此，我在c_0和c_1的末尾添加了2个频道，然后我将最后一个轴带到前面，使（3,2,3）rn_1变成（3,3,2）.与因子类似。因此，现在myfunc可以在突出显示广播频道的张量上运行-
（5,1,3，1,1），（1,3,3，1,1），（3，3,2），（1，3,2）

最后，我再次转置，将广播的频道放在前面，这样我们就有了一个（3,2，5,3,3）形状的张量，其中前两个频道是3,2嵌套循环的广播版本，5,3,3是现在需要在轴=4而不是轴=2上np.prod的矩阵

在此之后，只需使用np.add.reduce对0,1轴求和即可将结果转换为5,3矩阵。最终结果应与循环结果完全相同

我有点冒昧地修改了第一部分，因为这对我的眼睛来说更舒服，但是可以忽略这一部分

PS.检查您提到的示例是否可以无缝工作

b_00 = np.array([2.2, 1.1, 4.4, 5.1, 6.2])

我喜欢在可能的情况下使用不同的尺寸。这样可以更容易地检测缺陷。例如，arr=np.arange（24）。重塑（2,3,4）
@hpaulj这是一个很好的决定。我整晚都在看这个问题。当我把b_00长度定为4时，它出现了一个错误。我会跟进这个线索。谢谢。对不起，我读了你的帖子，我看不到这个问题。错误是什么，你想做什么？func是什么？你能过那个吗？@Dorian都在那里，func是在机器人上定义的汤姆
    import numpy as np 

myfunc = np.frompyfunc(func,5,1)
################################################################
# Prep arrays needed for MWE
################################################################    
results = np.zeros((5,3))
coord = np.array([1,1,2])
coord2 = np.array([3,3,3])
c_0 = np.array([[0,0,2],[0,2,0],[2,0,0],[1,1,0], [1,0,1]])
c_1 = np.array([[0,0,2],[0,2,0],[2,0,0]])
b_00 = np.array([2.2, 1.1, 4.4]) # np.array([2.2, 3.3, 40.4])
b_11 = np.array([1.2, 3.3]) # np.array([1.2, 5.3])

################################################################
# This is only for comparison. `results` is the correct answer
################################################################
for i, b_0 in enumerate(b_00):
    for j, b_1 in enumerate(b_11):
        factor = b_0 + b_1
        rn = (b_0 * coord + b_1 * coord2) / factor
        rn_1 = coord - rn
        rn_2 = coord2 - rn
        results = np.add( results,np.prod(myfunc(c_0[:,None,:], c_1[None,:,:], rn_1, rn_2, factor), axis=2) )

################################################################
# Prep for broadcasting   (My attempt)
################################################################
factor = b_00[:, None] + b_11[None, :]
rn = np.add( (b_00[:,None] * coord[None,:])[:, None, :],  (b_11[:,None] * coord2[None,:])[None, :, :] ) / factor[:,:,None]
rn_1 = coord - rn
rn_2 = coord2 - rn

# The following all get the same *wrong* answer
# results2 = np.prod(myfunc(c_0[:,None,:,None, None], c_1[None,:,:, None, None], rn_1[:, None, None],rn_2[:,None, None], factor[None,:, :]), axis=2) 
# results2 = np.prod(myfunc(c_0[:,None,:, None, None, None], c_1[None,:,:, None, None, None], rn_1[None, None,:,:,:, None],rn_2[None, None,:,:, :, None], factor[None,:, :, None, None]), axis=2) 
# results2 = np.prod(myfunc(c_0[:,None,:, None, None], c_1[None,:,:, None, None], rn_1[None, None,:,:,:],rn_2[None, None,:,:, :], factor[None,:, :, None]), axis=2)

# this should be the only line needing work!
results2 = np.prod(myfunc(c_0[:,None,:, None, None], c_1[None,:,:, None, None], rn_1[:,:,:],rn_2[:,:, :], factor[None,:, :, None]), axis=2)

results2 = np.squeeze(results2)
results2 = np.sum(results2, axis=(2,3))

assert np.allclose(results, results2)

# Vectorized function to be sent broadcasted arrays
def func(r0, r1, x, y, at):
    val = 0.0 
    for i in range(r0+1):
        for j in range(r1+1):
            val += x + i*j + at * y
    return val

#Definitions
coord = np.array([1,1,2])
coord2 = np.array([3,3,3])
c_0 = np.array([[0,0,2],[0,2,0],[2,0,0],[1,1,0], [1,0,1]])
c_1 = np.array([[0,0,2],[0,2,0],[2,0,0]])
b_00 = np.array([2.2, 1.1, 4.4]) # np.array([2.2, 3.3, 40.4])
b_11 = np.array([1.2, 3.3]) # np.array([1.2, 5.3])

#Vectorized code for prep 
b_0 = np.outer(b_00, coord)
b_1 = np.outer(b_11, coord2)
factor = (b_00+b_11.reshape(-1,1)).T[:,:,None]
rn = np.divide((b_0[:,None]+b_1), factor)
rn_1 = coord-rn
rn_2 = coord2-rn

#THIS IS YOUR INTERESTING PART
results = np.prod(myfunc(c_0[:,None,:,None,None], c_1[None,:,:,None,None], rn_1.transpose(2,0,1), rn_2.transpose(2,0,1), factor.transpose(2,0,1)).transpose(3,4,0,1,2), axis=4)
results = np.add.reduce(results, axis=(0,1))
results

array([[6707.793061061082, 5277.838468285241, 5277.838468285241],
       [5277.838468285241, 5992.8157646731615, 5277.838468285241],
       [5277.838468285241, 5277.838468285241, 5992.8157646731615],
       [7037.117957713655, 7513.7694886389345, 7513.7694886389345],
       [7990.421019564216, 7037.117957713655, 7513.7694886389345]],
      dtype=object)

b_00 = np.array([2.2, 1.1, 4.4, 5.1, 6.2])