在Python中迭代3d数组中包含的2d数组

Question

我已经看到很多问题要求以更快的方式迭代2d数组的每个元素，但是我没有找到一个很好的方法迭代3d数组以便在每个2d数组上应用函数。 例如：

from scipy.fftpack import dct
X = np.arange(10000, dtype=np.float32).reshape(-1,4,4)
np.array(map(dct, X))

在这里，我将浏览包含在3d维数组(625,4,4)中的每个2d数组， (625,4,4)每个4X4数组应用DCT（离散余弦变换）。 我想知道是否有更合适的方法来实现这一目标。

谢谢

Answer 1

Numpy功能：

在这种情况下，由于dct是一个numpy函数，它具有内置的功能，可以在特定的轴上应用它。 几乎所有的numpy函数都在完整的数组上运行，或者可以告诉它们在特定的轴（行或列）上运行。

所以只需通过dct函数的axis参数：

dct( X, axis=2)

你会得到一个相同的结果：

>>> ( dct(X, axis=2) == np.array(map(dct, X)) ).all()
True

在我们的(625,4,4)矩阵的情况下，它比使用map函数快35倍：

%timeit dct(X, axis=2)
1000 loops, best of 3: 157 µs per loop

%timeit np.array(map(dct, X))
100 loops, best of 3: 5.76 ms per loop    

一般Python函数：

在其他情况下，您可以使用np.vectorize或np.frompyfunc函数对python函数进行vectorize 。 例如，如果您有一个执行标量操作的演示函数：

def foo(x): # gives an error if passed in an array
    return x**2

>>> X = np.arange(8, dtype=np.float32).reshape(-1,2,2)
>>> foo_arr = np.vectorize( foo)
>>> foo_arr(X)
array([[[  0.,   1.],
        [  4.,   9.]],

       [[ 16.,  25.],
        [ 36.,  49.]]])

这里的讨论也可能对您有所帮助。 正如他们所说，矢量化非numpy函数实际上并没有使它更快。