在numpy/scipy中向量化for循环？

Question

我正在尝试把一个类方法中的for循环进行向量化。这个for循环的形式是这样的：它会遍历一堆点，根据一个叫“self.condition_met”的变量是否为真，来对每个点调用一对函数，然后把结果添加到一个列表中。这里的每个点都是一个列表中的元素，也就是一种数据结构，看起来像这样：array([[1,2,3], [4,5,6], ...])。下面是有问题的函数：

def myClass:
   def my_inefficient_method(self):
       final_vector = []
       # Assume 'my_vector' and 'my_other_vector' are defined numpy arrays
       for point in all_points:
         if not self.condition_met:
             a = self.my_func1(point, my_vector)
             b = self.my_func2(point, my_other_vector)
         else:
             a = self.my_func3(point, my_vector)
             b = self.my_func4(point, my_other_vector)
         c = a + b
         final_vector.append(c)
       # Choose random element from resulting vector 'final_vector'

在调用my_inefficient_method之前，self.condition_met已经被设置好了，所以每次检查它似乎没必要，但我不太确定该怎么更好地写这个。因为这里没有破坏性操作，所以我觉得可以把整个过程重写成一个向量化的操作——这可能吗？有没有什么想法可以做到这一点？

Answer 1

最好还是按照mtrw的建议来做，不过如果你对向量化不太确定，可以试试在my_func上使用numpy.vectorize。

http://docs.scipy.org/doc/numpy/reference/generated/numpy.vectorize.html

Answer 2

你能把 my_funcx 改写成向量化的形式吗？如果可以的话，你可以这样做：

def myClass:
   def my_efficient_method(self):
       # Assume 'all_points', 'my_vector' and 'my_other_vector' are defined numpy arrays
       if not self.condition_met:
           a = self.my_func1(all_points, my_vector)
           b = self.my_func2(all_points, my_other_vector)
       else:
           a = self.my_func3(all_points, my_vector)
           b = self.my_func4(all_points, my_other_vector)
       final_vector = a + b
       # Choose random element from resulting vector 'final_vector'

Answer 3

在NumPy中，这只需要几行代码（其他部分只是创建数据集、几个函数和一些设置）。

import numpy as NP

# create two functions 
fnx1 = lambda x : x**2
fnx2 = lambda x : NP.sum(fnx1(x))

# create some data
M = NP.random.randint(10, 99, 40).reshape(8, 5)

# creates index array based on condition satisfaction
# (is the sum (of that row/data point) even or odd)
ndx = NP.where( NP.sum(M, 0) % 2 == 0 )

# only those data points that satisfy the condition (are even) 
# are passed to one function then another and the result off applying both 
# functions to each data point is stored in an array
res = NP.apply_along_axis( fnx2, 1, M[ndx,] )

print(res)
# returns: [[11609 15309 15742 12406  4781]]

根据你的描述，我总结了这个流程：

• 检查条件（布尔值）‘如果为真’
• 对满足条件的数据点（行）调用配对函数
• 将每组调用的结果添加到一个列表中（下面的'res'）