设置
考虑numpy数组a
>>> np.random.seed([3,1415])
>>> a = np.random.choice([True, False], (4, 8))
>>> a
array([[ True, False, True, False, True, True, False, True],
[False, False, False, False, True, False, False, True],
[False, True, True, True, True, True, True, True],
[ True, True, True, False, True, False, False, False]], dtype=bool)
问题
对于每一列,我要确定所有列的累积当量。你知道吗
结果应该是这样的:
array([[ True, False, True, False, True, True, False, True],
[False, False, False, False, True, False, False, True],
[False, False, False, False, True, False, False, True],
[False, False, False, False, True, False, False, False]], dtype=bool)
坐第一列
a[: 0]
# Original First Column
array([ True, False, False, True], dtype=bool)
# So far so good
# \ False from here on
# | /---------------\
array([ True, False, False, False], dtype=bool)
# Cumulative all
所以基本上,只要我们有True
并且从第一个False
开始False
,累积的都是True
我尝试过的
我可以用它来得到结果
a.cumprod(0).astype(bool)
但是,我忍不住想,当我知道从我看到的第一个开始,一切都将是False
时,是否有必要执行每一个乘法。你知道吗
考虑较大的一维阵列
b = np.array(list('111111111110010101010101010101010101010011001010101010101')).astype(int).astype(bool)
我认为这两个问题的答案是一样的
bool(b.prod())
以及
b.all()
但是b.all()
会短路,而b.prod()
不会。如果我给他们计时:
%timeit bool(b.prod())
%timeit b.all()
100000 loops, best of 3: 2.05 µs per loop
1000000 loops, best of 3: 1.45 µs per loop
b.all()
更快。这意味着我必须有一种方法来进行一个累积的all,它比我的a.cumprod(0).astype(bool)
更快
All ufuncs have 5 methods:
reduce
、accumulate
、reduceat
、outer
和at
。在这种情况下,使用accumulate
,因为它返回ufunc的累积应用程序的结果:相关问题 更多 >
编程相关推荐