比方说,我有一个这样的数组:
import numpy as np
base_array = np.array([-13, -9, -11, -3, -3, -4, 2, 2,
2, 5, 7, 7, 8, 7, 12, 11])
假设我想知道:“有多少元素在base_array
是大于4”这可以简单地通过利用广播来完成:
np.sum(4 < base_array)
对于这个问题的答案是7
。现在,假设而不是与单个的价值,我想这样做在一个阵列。换句话说,在c
每个值comparison_array
,找出base_array
的很多元素是如何比c
更大。如果我这样做了简单的方式,它显然失败,因为它不知道如何正确地播放它:
comparison_array = np.arange(-13, 13)
comparison_result = np.sum(comparison_array < base_array)
输出:
Traceback (most recent call last):
File "<pyshell#87>", line 1, in <module>
np.sum(comparison_array < base_array)
ValueError: operands could not be broadcast together with shapes (26,) (16,)
如果我能以某种方式有comparison_array
的每个元素拿到转播到base_array
的形状,这将解决这个问题。但我不知道该怎么办这样一个“元素智能广播”。
现在,我只知道我如何实现这个使用列表理解这两种情况下:
first = sum([4 < i for i in base_array])
second = [sum([c < i for i in base_array])
for c in comparison_array]
print(first)
print(second)
输出:
7
[15, 15, 14, 14, 13, 13, 13, 13, 13, 12, 10, 10, 10, 10, 10, 7, 7, 7, 6, 6, 3, 2, 2, 2, 1, 0]
但我们都知道,这将是数量级比上更大的阵列正确矢量化numpy
执行较慢的订单。所以,我应该怎么办这numpy
,这样它的速度快?理论上讲,该解决方案应扩展到任何类型的操作,其中广播作品,而不仅仅是大于或低于这个例子。
你可以简单的维度添加到比较阵列,因此比较沿新维度“延伸”所有值。
>>> np.sum(comparison_array[:, None] < base_array)
228
这是broadcasting的基本原则,并适用于所有类型的操作。
如果你需要沿轴进行的总和,你只需指定沿着你想要的比较后总结轴。
>>> np.sum(comparison_array[:, None] < base_array, axis=1)
array([15, 15, 14, 14, 13, 13, 13, 13, 13, 12, 10, 10, 10, 10, 10, 7, 7,
7, 6, 6, 3, 2, 2, 2, 1, 0])
您将要转一个阵列用于广播正常工作。当您播送两个数组在一起,尺寸一字排开,任何单位尺寸有效地扩展到它们匹配的非单元大小。所以尺寸(16, 1)
(原阵列)和(1, 26)
(比较阵列)的两个阵列将广播给(16, 26)
。
不要忘了跨越大小16的尺寸来概括:
(base_array[:, None] > comparison_array).sum(axis=1)
None
在片中相当于np.newaxis
:它是多方面的指定索引处插入一个新的单元尺寸之一。你不需要做comparison_array[None, :]
的原因是,广播排队最高的尺寸,并且在自动最低,那些充满。
这里有一个与专注于存储效率,从而表现np.searchsorted
-
def get_comparative_sum(base_array, comparison_array):
n = len(base_array)
base_array_sorted = np.sort(base_array)
idx = np.searchsorted(base_array_sorted, comparison_array, 'right')
idx[idx==n] = n-1
return n - idx - (base_array_sorted[idx] == comparison_array)
计时 -
In [40]: np.random.seed(0)
...: base_array = np.random.randint(-1000,1000,(10000))
...: comparison_array = np.random.randint(-1000,1000,(20000))
# @miradulo's soln
In [41]: %timeit np.sum(comparison_array[:, None] < base_array, axis=1)
1 loop, best of 3: 386 ms per loop
In [42]: %timeit get_comparative_sum(base_array, comparison_array)
100 loops, best of 3: 2.36 ms per loop