是否有更好的广播阵列方式？

Question

我想将数组b广播到它与另一个数组a进行算术运算时所需的形状。

例如，如果a.shape = (3,3)并且b是标量，我想得到一个形状为(3,3)并且用标量填充的数组。

一种方法是这样的：

>>> import numpy as np
>>> a = np.arange(9).reshape((3,3))
>>> b = 1 + a*0
>>> b
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

虽然这实际上很有效，但我不禁觉得它看起来有点奇怪，并且对于那些看着代码的人来说，我试图做的事情并不明显。

有没有更优雅的方式来做到这一点？ 我查看了np.broadcast的文档，但它的速度要低np.broadcast数量级。

In [1]: a = np.arange(10000).reshape((100,100))

In [2]: %timeit 1 + a*0
10000 loops, best of 3: 31.9 us per loop

In [3]: %timeit bc = np.broadcast(a,1);np.fromiter((v for u, v in bc),float).reshape(bc.shape)
100 loops, best of 3: 5.2 ms per loop

In [4]: 5.2e-3/32e-6
Out[4]: 162.5

Answer 1

如果您只想用标量fill数组， fill可能是最佳选择。 但听起来你想要更通用的东西。 您可以使用broadcast_arrays来获取您想要的结果（而不是使用broadcast ）。

>>> a = numpy.arange(9).reshape(3, 3)
>>> numpy.broadcast_arrays(a, 1)[1]
array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

这推广到任何两个可广播的形状：

>>> numpy.broadcast_arrays(a, [1, 2, 3])[1]
array([[1, 2, 3],
       [1, 2, 3],
       [1, 2, 3]])

它不像你的基于ufunc的方法那么快，但它仍然处于同一数量级：

>>> %timeit 1 + a * 0
10000 loops, best of 3: 23.2 us per loop
>>> %timeit numpy.broadcast_arrays(a, 1)[1]
10000 loops, best of 3: 52.3 us per loop

但是标量， fill仍然是明显的领跑者：

>>> %timeit b = numpy.empty_like(a, dtype='i8'); b.fill(1)
100000 loops, best of 3: 6.59 us per loop

最后，进一步的测试表明，最快的方法 - 至少在某些情况下 - 是乘以ones ：

>>> %timeit numpy.broadcast_arrays(a, numpy.arange(100))[1]
10000 loops, best of 3: 53.4 us per loop
>>> %timeit (1 + a * 0) * numpy.arange(100)
10000 loops, best of 3: 45.9 us per loop
>>> %timeit b = numpy.ones_like(a, dtype='i8'); b * numpy.arange(100)
10000 loops, best of 3: 28.9 us per loop

Answer 2

fill听起来像最简单的方式：

>>> a = np.arange(9).reshape((3,3))
>>> a
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
>>> a.fill(10)
>>> a
array([[10, 10, 10],
       [10, 10, 10],
       [10, 10, 10]])

编辑：作为@EOL指出的那样，你就不需要arange ，如果你想创建一个新的数组， np.empty((100,100))或其他形状），是为了这个美好的。

时序：

In [3]: a = np.arange(10000).reshape((100,100))
In [4]: %timeit 1 + a*0
100000 loops, best of 3: 19.9 us per loop

In [5]: a = np.arange(10000).reshape((100,100))
In [6]: %timeit a.fill(1)
100000 loops, best of 3: 3.73 us per loop

Answer 3

如果你只需要将标量广播到某个任意形状，你可以这样做：

a = b*np.ones(shape=(3,3))

编辑： np.tile更通用。 您可以使用它来复制任意数量的任何标量/向量：

b = 1
N = 100
a = np.tile(b, reps=(N, N))

Answer 4

我所知道的最快，最干净的解决方案是：

b_arr = numpy.empty(a.shape)  # Empty array
b_arr.fill(b)  # Filling with one value