[英]numpy - fastest way to build 2d array with permuted copies of numpy 1d array
>>> import numpy as np
>>> a = np.arange(5)
>>> b = desired_function(a, 4)
array([[0, 3, 4, 1],
... [1, 2, 1, 3],
... [2, 4, 2, 4],
... [3, 1, 3, 0],
... [4, 0, 0, 2]])
到目前为止我尝试过的
def repeat_and_shuffle(a, ncols):
nrows, = a.shape
m = np.tile(a.reshape(nrows, 1), (1, ncols))
return m
不知何故,我必须通过列有效地改变m[:,1:ncols]
。
这是创建这样一个数组的一种方法:
>>> a = np.arange(5)
>>> perms = np.argsort(np.random.rand(a.shape[0], 3), axis=0) # 3 columns
>>> np.hstack((a[:,np.newaxis], a[perms]))
array([[0, 3, 1, 4],
[1, 2, 3, 0],
[2, 1, 4, 1],
[3, 4, 0, 3],
[4, 0, 2, 2]])
这将创建所需形状的随机值数组,然后按其相应值对每列中的索引进行排序。 然后,使用该索引数组对a
进行索引。
(使用的想法np.argsort
创建置换索引列的一个阵列来自@ JME的答案在这里 。)
使用原始数组的随机排列构建新数组。
>>> a = np.arange(5)
>>> n = 4
>>> z = np.array([a]+[np.random.permutation(a) for _ in xrange(n-1)])
>>> z.T
array([[0, 0, 4, 3],
[1, 1, 3, 0],
[2, 3, 2, 4],
[3, 2, 0, 2],
[4, 4, 1, 1]])
>>>
由于随机性,可能会出现重复的列。
这是Ashwini Chaudhary解决方案的一个版本:
>>> a = numpy.array(['a', 'b', 'c', 'd', 'e'])
>>> a = numpy.tile(a[:,None], 5)
>>> a[:,1:] = numpy.apply_along_axis(numpy.random.permutation, 0, a[:,1:])
>>> a
array([['a', 'c', 'a', 'd', 'c'],
['b', 'd', 'b', 'e', 'a'],
['c', 'e', 'd', 'a', 'e'],
['d', 'a', 'e', 'b', 'd'],
['e', 'b', 'c', 'c', 'b']],
dtype='|S1')
我认为这是精心构思和教学上有用的(我希望他能够取消它)。 但是有些令人惊讶的是,它一直是我执行的测试中最慢的一个。 定义:
>>> def column_perms_along(a, cols):
... a = numpy.tile(a[:,None], cols)
... a[:,1:] = numpy.apply_along_axis(numpy.random.permutation, 0, a[:,1:])
... return a
...
>>> def column_perms_argsort(a, cols):
... perms = np.argsort(np.random.rand(a.shape[0], cols - 1), axis=0)
... return np.hstack((a[:,None], a[perms]))
...
>>> def column_perms_lc(a, cols):
... z = np.array([a] + [np.random.permutation(a) for _ in xrange(cols - 1)])
... return z.T
...
对于小数组和少数列:
>>> %timeit column_perms_along(a, 5)
1000 loops, best of 3: 272 µs per loop
>>> %timeit column_perms_argsort(a, 5)
10000 loops, best of 3: 23.7 µs per loop
>>> %timeit column_perms_lc(a, 5)
1000 loops, best of 3: 165 µs per loop
对于小型数组和许多列:
>>> %timeit column_perms_along(a, 500)
100 loops, best of 3: 29.8 ms per loop
>>> %timeit column_perms_argsort(a, 500)
10000 loops, best of 3: 185 µs per loop
>>> %timeit column_perms_lc(a, 500)
100 loops, best of 3: 11.7 ms per loop
对于大型数组和少数列:
>>> A = numpy.arange(1000)
>>> %timeit column_perms_along(A, 5)
1000 loops, best of 3: 2.97 ms per loop
>>> %timeit column_perms_argsort(A, 5)
1000 loops, best of 3: 447 µs per loop
>>> %timeit column_perms_lc(A, 5)
100 loops, best of 3: 2.27 ms per loop
对于大型数组和许多列:
>>> %timeit column_perms_along(A, 500)
1 loops, best of 3: 281 ms per loop
>>> %timeit column_perms_argsort(A, 500)
10 loops, best of 3: 71.5 ms per loop
>>> %timeit column_perms_lc(A, 500)
1 loops, best of 3: 269 ms per loop
故事的寓意:永远考验! 我想,对于非常大的数组,这样的n log n
解决方案的缺点可能会变得很明显。 但根据我的经验, numpy
的排序实现非常好。 我敢打赌,在注意到效果之前,您可能会上升几个数量级。
假设您最终打算循环遍历多个1D输入数组,您可能能够缓存排列索引,然后在使用时take
而不是permute
。 即使1D阵列的长度不同,这也可以工作:您只需要丢弃过大的置换索引。
粗略(部分测试)的实现代码:
def permute_multi(X, k, _cache={}):
"""For 1D input `X` of len `n`, it generates an `(k,n)` array
giving `k` permutations of `X`."""
n = len(X)
cached_inds = _cache.get('inds',np.array([[]]))
# make sure that cached_inds has shape >= (k,n)
if cached_inds.shape[1] < n:
_cache['inds'] = cached_inds = np.empty(shape=(k,n),dtype=int)
for i in xrange(k):
cached_inds[i,:] = np.random.permutation(n)
elif cached_inds.shape[0] < k:
pass # TODO: need to generate more rows
inds = cached_inds[:k,:] # dispose of excess rows
if n < cached_inds.shape[1]:
# dispose of high indices
inds = inds.compress(inds.ravel()<n).reshape((k,n))
return X[inds]
根据您的使用情况,您可能希望提供某种清除缓存的方法,或者至少提供一些可以在缓存的n
和k
变得比大多数常用输入大得多时发现的启发式方法。 请注意,上面的函数给出(k,n)
而不是(n,k)
,这是因为numpy默认行是连续的,并且我们希望n
维是连续的-如果愿意,可以强制使用Fortran样式,或者转置输出(在数组中翻转一个标志而不是真正移动数据)。
关于此缓存概念在统计上是否有效,我相信在大多数情况下它可能很好,因为它大致等效于将函数开始时的种子重置为固定常量...但是如果您正在执行任何操作特别是对于返回的数组,在使用这种方法之前,您可能需要仔细考虑。
快速基准测试表明,(一旦预热) n=1000
和k=1000
大约需要2.2 ms
,而np.random.permutation
的完整k
np.random.permutation
需要150 ms
。 这大约快了70倍......但这是最简单的情况,我们不调用compress
。 对于n=999
和k=1000
,具有升温用n=1000
,它需要一个额外的数毫秒,给出8ms
总时间,这仍然比快约19倍k
-loop。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.