[英]Recursive function to apply any function to N arrays of any length to form one jagged multidimensional array of N dimensions
給定的N個輸入陣列,所有任何長度的,我想能夠函數應用到每個陣列的每個組合的所有的組合。
例如:
給定輸入數組:
[1, 2] [3, 4, 5] [6, 7, 8, 9]
以及一個返回 N 個元素的乘積的函數
我希望能夠對這些元素的每個組合應用一個函數。 在這種情況下,它會產生一個 3 維數組,長度分別為 2、3 和 4。
結果數組如下所示:
[
[
[18, 21, 24, 27],
[24, 28, 32, 36],
[30, 35, 40, 45]
],
[
[36, 42, 48, 54],
[48, 56, 64, 72],
[60, 70, 80, 90]
]
]
你可以通過廣播來做到這一點:
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5])
c = a[None, ...] * b[..., None]
print(c)
輸出:
[[ 4 8 12]
[ 5 10 15]]
這可以通過制作適當的切片傳遞給操作數來輕松概括。
這種概括的實現可以是:
import numpy as np
def apply_multi_broadcast_1d(func, dim1_arrs):
n = len(dim1_arrs)
iter_dim1_arrs = iter(dim1_arrs)
slicing = tuple(
slice(None) if j == 0 else None
for j in range(n))
result = next(iter_dim1_arrs)[slicing]
for i, dim1_arr in enumerate(iter_dim1_arrs, 1):
slicing = tuple(
slice(None) if j == i else None
for j in range(n))
result = func(result, dim1_arr[slicing])
return result
dim1_arrs = [np.arange(1, n + 1) for n in range(2, 5)]
print(dim1_arrs)
# [array([1, 2]), array([1, 2, 3]), array([1, 2, 3, 4])]
arr = apply_multi_broadcast_1d(lambda x, y: x * y, dim1_arrs)
print(arr.shape)
# (2, 3, 4)
print(arr)
# [[[ 1 2 3 4]
# [ 2 4 6 8]
# [ 3 6 9 12]]
# [[ 2 4 6 8]
# [ 4 8 12 16]
# [ 6 12 18 24]]]
這里不需要遞歸,我不確定它有什么好處。
另一種方法是從 Python 函數(如@TlsChris's answer 中提出的)生成一個np.ufunc
並使用其np.ufunc.outer()
方法:
import numpy as np
def apply_multi_outer(func, dim1_arrs):
ufunc = np.frompyfunc(func, 2, 1)
iter_dim1_arrs = iter(dim1_arrs)
result = next(iter_dim1_arrs)
for dim1_arr in iter_dim1_arrs:
result = ufunc.outer(result, dim1_arr)
return result
雖然這會給出相同的結果(對於一維數組),但它比廣播方法慢(根據輸入大小從輕微到顯着)。
此外,雖然apply_multi_broadcast_1d()
僅限於 1-dim 輸入,但apply_multi_outer()
也適用於更高維度的輸入數組。 廣播方法可以很容易地適應更高維度的輸入,如下所示。
apply_multi_broadcast_1d()
對 N-dim 輸入的概括,包括廣播與功能應用程序的分離,如下:
import numpy as np
def multi_broadcast(arrs):
for i, arr in enumerate(arrs):
yield arr[tuple(
slice(None) if j == i else None
for j, arr in enumerate(arrs) for d in arr.shape)]
def apply_multi_broadcast(func, arrs):
gen_arrs = multi_broadcast(arrs)
result = next(gen_arrs)
for i, arr in enumerate(gen_arrs, 1):
result = func(result, arr)
return result
三者的基准測試表明apply_multi_broadcast()
比apply_multi_broadcast_1d()
稍慢,但比apply_multi_outer()
快:
def f(x, y):
return x * y
dim1_arrs = [np.arange(1, n + 1) for n in range(2, 5)]
print(np.all(apply_multi_outer(f, dim1_arrs) == apply_multi_broadcast_1d(f, dim1_arrs)))
print(np.all(apply_multi_outer(f, dim1_arrs) == apply_multi_broadcast(f, dim1_arrs)))
# True
# True
%timeit apply_multi_broadcast_1d(f, dim1_arrs)
# 100000 loops, best of 3: 7.76 µs per loop
%timeit apply_multi_outer(f, dim1_arrs)
# 100000 loops, best of 3: 9.46 µs per loop
%timeit apply_multi_broadcast(f, dim1_arrs)
# 100000 loops, best of 3: 8.63 µs per loop
dim1_arrs = [np.arange(1, n + 1) for n in range(10, 16)]
print(np.all(apply_multi_outer(f, dim1_arrs) == apply_multi_broadcast_1d(f, dim1_arrs)))
print(np.all(apply_multi_outer(f, dim1_arrs) == apply_multi_broadcast(f, dim1_arrs)))
# True
# True
%timeit apply_multi_broadcast_1d(f, dim1_arrs)
# 100 loops, best of 3: 10 ms per loop
%timeit apply_multi_outer(f, dim1_arrs)
# 1 loop, best of 3: 538 ms per loop
%timeit apply_multi_broadcast(f, dim1_arrs)
# 100 loops, best of 3: 10.1 ms per loop
讓我們給定 N 個數組,其大小為 n1, n2, ..., nN。 然后,我們可以將這個問題分解為兩個數組的 (N-1) 次計算。 在第一次計算中,計算 n1、n2 的乘積。 讓輸出為result1。 在第二次計算中,計算 result1、n3 的乘積。 讓輸出為result2。 . . 在最后一次計算中,計算 result(N-2) 的乘積,nN。 讓輸出為result(N-1)。
你會知道 result1 的大小是 n2 _ n1,result2 的大小是 n3 _ n2 _ n1。 . . 如您所見,result(N-1) 的大小為 n(N) _ n(N-1) _ ... _ n2 * n1。
現在讓我們得到兩個數組:result(k-1) 和 arr(k)。 然后我們應該從 result(k-1) 和 arr(k) 中得到每個元素的乘積。 原因 result(k-1) 的大小為 n(k-1) _ n(k-2) _ ... _ n1,arr(k) 的大小為 n(k),輸出數組 (result(k) ) 的大小應該為 n(k) _ n(k-1) _ ... _ n1。 這意味着這個問題的解決方案是轉置 n(k) 和結果 (k-1) 的點積。 因此,該功能應如下所示。
productOfTwoArrays = lambda arr1, arr2: np.dot(arr2.T, arr1)
所以現在我們解決了第一個問題。 剩下的就是將其應用於所有 N 個數組。 所以解決方案可能是迭代的。 讓輸入數組有 N 個數組。
def productOfNArrays(Narray: list) -> list:
result = Narray[0]
N = len(Narray)
for idx in range(1, N):
result = productOfTwoArrays(result, Narray[idx])
return result
整個代碼可能在下面。
def productOfNArrays(Narray: list) -> list:
import numpy as np
productOfTwoArrays = lambda arr1, arr2: np.dot(arr2.T, arr1)
result = Narray[0]
N = len(Narray)
for idx in range(1, N):
result = productOfTwoArrays(result, Narray[idx])
return result
使用 np.frompyfunc 創建所需函數的 ufunc 的另一種方法。 這是使用 ufuncs .outer 方法對 n 個參數應用 n-1 次。
import numpy as np
def testfunc( a, b):
return a*(a+b) + b*b
def apply_func( func, *args, dtype = np.float ):
""" Apply func sequentially to the args
"""
u_func = np.frompyfunc( func, 2, 1) # Create a ufunc from func
result = np.array(args[0])
for vec in args[1:]:
result = u_func.outer( result, vec ) # apply the outer method of the ufunc
# This returns arrays of object type.
return np.array(result, dtype = dtype) # Convert to type and return the result
apply_func(lambda x,y: x*y, [1,2], [3,4,5],[6,7,8,9] )
# array([[[18., 21., 24., 27.],
# [24., 28., 32., 36.],
# [30., 35., 40., 45.]],
# [[36., 42., 48., 54.],
# [48., 56., 64., 72.],
# [60., 70., 80., 90.]]])
apply_func( testfunc, [1,2], [3,4,5],[6,7,8,9])
# array([[[ 283., 309., 337., 367.],
# [ 603., 637., 673., 711.],
# [1183., 1227., 1273., 1321.]],
# [[ 511., 543., 577., 613.],
# [ 988., 1029., 1072., 1117.],
# [1791., 1843., 1897., 1953.]]])
根據我的經驗,在大多數情況下,我們並不是在尋找真正通用的解決方案。 當然,這樣一個通用的解決方案看起來優雅和可取,因為如果我們的需求發生變化,它本質上能夠適應——就像在編寫研究代碼時經常做的那樣。
然而,我們通常實際上是在尋找一種易於理解且易於修改的解決方案,以防我們的需求發生變化。
一種這樣的解決方案是使用np.einsum()
:
import numpy as np
a = np.array([1, 2])
b = np.array([3, 4, 5])
c = np.array([6, 7, 8, 9])
np.einsum('a,b,c->abc', a, b, c)
# array([[[18, 21, 24, 27],
# [24, 28, 32, 36],
# [30, 35, 40, 45]],
#
# [[36, 42, 48, 54],
# [48, 56, 64, 72],
# [60, 70, 80, 90]]])
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.