将函数数组应用于矩阵列的最快方法

Question

我有一个函数的数组shape(n,)和一个numpy矩阵shape(m, n)。现在我想将每个函数应用到矩阵中相应的列，即

matrix[:, i] = funcs[i](matrix[:, i])

我可以用for循环来实现这一点（参见下面的示例），但是在numpy中通常不鼓励使用for循环。我的问题是，最快（最好是最优雅）的方法是什么？在

一个有效的例子

^{pr2}$

Answer 1

对于有许多行和几列的数组，简单的列迭代应该具有时效性：

In [783]: funcs = [lambda x: x+1, lambda x: x+2, lambda x: x+3]
In [784]: arr = np.arange(12).reshape(4,3)
In [785]: for i in range(3):
     ...:     arr[:,i] = funcs[i](arr[:,i])
     ...:     
In [786]: arr
Out[786]: 
array([[ 1,  3,  5],
       [ 4,  6,  8],
       [ 7,  9, 11],
       [10, 12, 14]])

如果函数使用1d数组输入，则不需要np.vectorize（np.vectorize通常比普通迭代慢。）同样，对于这样的迭代，也不需要在数组中包装函数列表。在列表上迭代更快。在

索引迭代的变体：

^{pr2}$

我在这里使用arr.T，所以迭代在arr的列上，而不是行上。在

一般观察：在一个复杂的任务上进行几次迭代是非常好的numpy风格。简单任务上的许多迭代都很慢，应该尽可能在编译后的代码中执行。在

Answer 2

循环在这里是有效的，因为循环中的任务很重。在

只是一个可读的解决方案：

np.vectorize(apply)(funcs,matrix)