[英]Efficient product of 1D array and 3D array along one dimension - NumPy
我有两个numpy数组:
我想沿着第一维创建两个数组的乘积,即:
tI = t1*I1,t2*I2,...,tN*IN
例如,再次获得一个新的维度数组(70L,1024L,1024L),然后沿第一维获取总和,以获得维度数组(1024L,1024L):
tsum = t1*I1 + t2*I2 + ... +tN*IN
目前我对以下内容感到满意:
tI = np.asarray([t[i]*I[i,:,:] for i in range(t.shape[0])])
tsum = np.sum(tI,axis=0)
但是我的阵列的尺寸正在增加,这将会有点慢。 我想知道是否存在numpy或scipy函数,是否针对该特定任务进行了更优化?
在此之前提前感谢任何链接或信息。
格雷格
你可以使用np.tensordot
-
np.tensordot(t,I, axes=([0],[0]))
你也可以使用np.einsum
-
np.einsum('i,ijk->jk',t,I)
运行时测试和输出验证 -
In [21]: def original_app(t,I):
...: tI = np.asarray([t[i]*I[i,:,:] for i in range(t.shape[0])])
...: tsum = np.sum(tI,axis=0)
...: return tsum
...:
In [22]: # Inputs with random elements
...: t = np.random.rand(70,)
...: I = np.random.rand(70,1024,1024)
...:
In [23]: np.allclose(original_app(t,I),np.tensordot(t,I, axes=([0],[0])))
Out[23]: True
In [24]: np.allclose(original_app(t,I),np.einsum('i,ijk->jk',t,I))
Out[24]: True
In [25]: %timeit np.tensordot(t,I, axes=([0],[0]))
1 loops, best of 3: 110 ms per loop
In [26]: %timeit np.einsum('i,ijk->jk',t,I)
1 loops, best of 3: 201 ms per loop
Divakar提供最好(最有效)的答案。 为了完整起见,另一种方法是使用Numpy的广播功能 :
(t[:,np.newaxis,np.newaxis]*I).sum(axis=0)
通过向t
添加两个轴,可以进行广播,并且可以使用常规的Numpy操作,对于某些操作可能更具可读性。
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.