如何使用每行和每列调用的函数有效地填充numpy ndarray？

Question

我想通过指定行和列的函数来定义值来创建numpy ndarray。

例如，我希望能够做这样的事情（完全不正确的语法，但你应该得到这个想法）：

>>> np.ndarray((2,3), lambda r,c: 3*r+c)
[[ 0  1  2]
 [ 3  4  5]]

在线搜索没有任何结果，但我很难想到如何搜索它......

现在我已经得到了（相当于）以下代码，但它的效率非常低：

def ndarrayFuncFill(size, func):
    z = np.empty(size)
    for r in np.arange(size[0]):
        for c in np.arange(size[1]):
            z[r][c] = func(r,c)
    return z

>>> ndarrayFuncFill((2,3), lambda r,c: 3*r+c)
array([[ 0.,  1.,  2.],
       [ 3.,  4.,  5.]])

不幸的是，我现在特别想要使用它的功能不是我可以轻易地重写为ufunc或类似的东西。 我几乎不得不把它当作一个黑盒子。

我真正感兴趣的功能（不是像上面的lambda那么简单），不是我有权发布的。 但是，它基本上在查找表上进行插值。 所以你给它一个行和列，然后它将它转换为查找表中的索引 - 但是有一些棘手的事情发生在它不仅仅是一对一的查找，它有时会组合'附近'价值观，那种东西。 所以它也不是最有效的功能，但我宁愿没有太多其他愚蠢的浪费来源，比如嵌套的for循环。

有什么建议么？

Answer 1

您可以尝试使用索引数组 。 对于您的简单示例，使用np.indices可以执行以下操作：

import numpy as np
r, c = 2, 3
a = np.empty((r, c))
b = np.indices((r, c))
a[b[0], b[1]] = 3 * b[0] + b[1]

那么我们有：

>>> a
array([[ 0.,  1.,  2.],
       [ 3.,  4.,  5.]])

Answer 2

对于您的特定示例，最快的解决方案是np.arange(6).reshape(3, 2) 。 通常，您可以将np.vectorize用于1D数组，然后在必要时重新np.vectorize ，但这不是优化的（“实现本质上是for循环。”）。