如何在不調用`np.vectorize`的情況下強制播放函數

Question

我想找一種強制廣播功能的方法。

在某些情況下，可以在稍后的實例中覆蓋函數/方法，以實現恆定的功能。 在這種情況下，如果

arr = np.arange(0, 1, 0.0001)
f = lambda x: 5
f(arr) # this gives just integer 5, i want [5, 5,..., 5]

我知道像強制函數廣播的np.vectorize這樣的方法，但問題是這是低效的，因為它本質上是針對循環的循環。 （見文件 ）

我們也可以使用像np.frompyfunc這樣的工廠方法，它允許我們將python函數轉換為numpy通用函數ufunc 。例如，請參見此處 。 這比np.vectorize ，但仍然比內置的ufunc方法效率低。

我想知道是否有任何有效的numpy方式處理這個，即強制廣播功能？

Answer 1

如果有更好的方法來制作任意Python函數廣播， numpy.vectorize將使用它。 如果你想要有效地廣播，你真的必須用廣播來編寫這個功能。

在常量函數的特定情況下，您可以使用numpy.full編寫廣播常量函數：

def f(x):
    return numpy.full(numpy.shape(x), 5)

numba.vectorize還可以比numpy.vectorize更有效地向量化函數，但是你需要Numba，並且需要以Numba可以有效編譯的方式編寫函數。

Answer 2

對於那些沒有通用答案的人來說，最好的答案是np.full_like(arr, val) ，比np.full(arr.shape, val)提高約20％

在將這個問題提交給作者之后，我發現了一些最佳的中間立場，它既具有普遍性，又表現得相當好：

np.broadcast_arrays(x, f(x))[1]

這里有一些時間分析：

arr = np.arange(1, 2, 0.0001).reshape(10, -1)

def master_f(x): return np.broadcast_arrays(x, f(x))[-1].copy('K')
def master_f_nocopy(x): return np.broadcast_arrays(x, f(x))[-1]
def vector_f(x): return np.vectorize(f)(x)

%timeit arr+1 # this takes about 10microsec
%timeit master_f(arr) # this takes about 40 mircrosec
%timeit master_f_nocopy(arr) # this takes about 20 microsec

注意，這允許應用於投影函數，例如f(x,y):=y ，這超出了np.full_like的幫助。

此外，當它出現更復雜的功能，如np.sin和np.cos你會注意到f(arr)和master_f_nocopy(arr)之間的差異幾乎可以忽略不計。