我想构建一个广播支持的自定义功能。
特别是,我有两个数组,一个是日期,另一个是时间,我想合并两个,就像在datetime.datetime.combine
中一样。
我想有这样的东西(这是我拥有的价值观,但问题更为笼统):
x = array([datetime.date(2019, 1, 21), datetime.date(2019, 1, 21),
datetime.date(2019, 1, 21)])
y = array([datetime.time(0, 0), datetime.time(0, 15), datetime.time(0, 30)]
我想做这样的事情:
datetime.combine(out[:,0], out[:,1])
得到相同的结果:
np.asarray([datetime.combine(i,j) for i,j in zip(x,y)])
更普遍:
假设我有一个函数f(a,b)
,我有两个numpy数组x,y
。有没有办法应用广播规则并获得f(x,y)
?
如果你想挖掘ufuncs
代码,自定义c
是好的。但是你的说明性案例适用于datetime
对象。 np.frompyfunc
对此非常有用。对于对象dtype数组,numpy
必须在(接近)Python级别迭代,在每个对象上运行Python代码。如果在对象数组上调用ufunc
,它会将任务委托给每个对象的相应方法(如果方法不存在则失败)。
让我们构建你的日期数组:
In [20]: from datetime import datetime
In [35]: alist = [datetime(2019,1,21,0,0), datetime(2019,1,21,0,10),datetime(2020,1,21,0,0)]
In [36]: x = np.array([a.date() for a in alist])
In [37]: y = np.array([a.time() for a in alist])
In [38]: x
Out[38]:
array([datetime.date(2019, 1, 21), datetime.date(2019, 1, 21),
datetime.date(2020, 1, 21)], dtype=object)
In [39]: y
Out[39]:
array([datetime.time(0, 0), datetime.time(0, 10), datetime.time(0, 0)],
dtype=object)
并结合列表理解:
In [41]: np.array([datetime.combine(i,j) for i, j in zip(x,y)])
Out[41]:
array([datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2019, 1, 21, 0, 10),
datetime.datetime(2020, 1, 21, 0, 0)], dtype=object)
和frompyfunc
:
In [43]: np.frompyfunc(datetime.combine, 2,1)(x,y)
Out[43]:
array([datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2019, 1, 21, 0, 10),
datetime.datetime(2020, 1, 21, 0, 0)], dtype=object)
有了frompyfunc
,我们可以申请广播
In [44]: np.frompyfunc(datetime.combine, 2,1)(x,y[:,None])
Out[44]:
array([[datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2020, 1, 21, 0, 0)],
[datetime.datetime(2019, 1, 21, 0, 10),
datetime.datetime(2019, 1, 21, 0, 10),
datetime.datetime(2020, 1, 21, 0, 10)],
[datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2019, 1, 21, 0, 0),
datetime.datetime(2020, 1, 21, 0, 0)]], dtype=object)
x
可以用frompyfunc
构建:
In [46]: np.frompyfunc(lambda a: a.date(),1,1)(alist)
Out[46]:
array([datetime.date(2019, 1, 21), datetime.date(2019, 1, 21),
datetime.date(2020, 1, 21)], dtype=object)
frompyfunc
版本的联合收割机更快一点
In [47]: timeit np.frompyfunc(datetime.combine, 2,1)(x,y)
5.39 µs ± 181 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
In [48]: timeit np.array([datetime.combine(i,j) for i, j in zip(x,y)])
11.8 µs ± 66.2 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
虽然[48]时间的很大一部分来自阵列接口:
In [51]: timeit [datetime.combine(i,j) for i, j in zip(x,y)]
3.91 µs ± 41.2 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
来自combine
和x
的列表版本的y
甚至更快。
In [52]: %%timeit xy=zip(x.tolist(),y.tolist())
...: [datetime.combine(i,j) for i,j in xy]
190 ns ± 0.579 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
如果你正在寻找numpy.vectorize之外的东西,你可能想要检查numpy ufuncs:
https://docs.scipy.org/doc/numpy-1.16.1/reference/ufuncs.html
你可以尝试创建自己的自定义ufunc https://docs.scipy.org/doc/numpy/user/c-info.ufunc-tutorial.html