NumPy高级应用2-ufunc高级应用

NumPy的通用函数的一些高级用法能使我们丢开循环编写出更为简洁的代码。
以下代码引入的包和模块：

from numpy.random import randn
import numpy as np

ufunc实例方法

1、 用np.add.reduce对数组中的各个元素进行求和比sum快

arr = np.arange(10)
%timeit np.sum(arr)
#out[]:
#2.39 µs ± 43.5 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
%timeit np.add.reduce(arr)
#out[]:
#1.21 µs ± 4.26 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

2 、np.logical_and（x, y）对两个参数进行逻辑与运算
3、 np.logical_and.reduce(arr, axis=1)对数组行进行与运算
4、 求行累计值数组np.add.accummulate(arr, axis=1)比arr.cumsum(axis=1)快。

arr = np.arange(15).reshape((3, 5))
print(arr.cumsum(axis=1))
#out[]:
#[[ 0  1  3  6 10]
# [ 5 11 18 26 35]
# [10 21 33 46 60]]
%timeit np.add.accumulate(arr, axis=1)
#out[]:
#1.3 µs ± 19.6 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
%timeit arr.cumsum(axis=1)
#1.48 µs ± 25.4 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

5、outer(x, y)对x和y中的每对元素应用原始运算。输出的维度是两个输入数据的维度之和。
arr = np.multiply.outer(arr1, arr2)
$arr[i, j] = arr1[i]*arr2[j]$
result = np.substract.outer(randn(3, 4), randn(5))
$result.shape: (3, 4, 5)$

import numpy as np

arr1 = np.arange(3).repeat([1, 2, 2])
print(arr1)
#out[]:
# [0 1 1 2 2]
arr2 = np.arange(5)
print(arr2)
#out[]:
# [0 1 2 3 4]
arr = np.multiply.outer(arr1, arr2)
print(arr)
#out[]:
# [[0 0 0 0 0]
#  [0 1 2 3 4]
#  [0 1 2 3 4]
#  [0 2 4 6 8]
#  [0 2 4 6 8]]

6、reduceat(x, bin) “局部”约简（groupby）。约简数据的各个切片以产生聚合型数组。

import numpy as np

arr = np.arange(10)
arr1 = np.add.reduceat(arr, [0, 5, 8])
print(arr1)
#out[]:
#[10 18 17]
#最终结果是在arr[0: 5}、arr[5: 8]、arr[8: ]上执行简约（本例中就是求和）

arr = np.multiply.outer(np.arange(4), np.arange(5))
print(arr)
#out[]:
# [[ 0  0  0  0  0]
#  [ 0  1  2  3  4]
#  [ 0  2  4  6  8]
#  [ 0  3  6  9 12]]
arr2 = np.add.reduceat(arr, [0, 2, 4], axis=1)
print(arr2)
#out[]:
# [[ 0  0  0]
#  [ 1  5  4]
#  [ 2 10  8]
#  [ 3 15 12]]
#最终结果是将arr第0，1列求和合并，第2, 3列求和合并

自定义ufunc

1、nump.frompyfunc接受一个Python函数以及两个分别表示输入输出参数数量的整数。但是frompyfunc创建的函数总是返回Python对象数组。

def add_elements(x, y):
    return x+y
add_them = np.frompyfunc(add_elements, 2, 1)
arr = add_them(np.arange(8), np.arange(8))
print(arr, type(arr), arr.dtype)
#out[]: 
#[0 2 4 6 8 10 12 14] <class 'numpy.ndarray'> object

2、numpy.vectorize在类型推断方面更智能一些。

def add_elements(x, y):
    return x+y
add_them = np.vectorize(add_elements, otypes=[np.float64])
arr = add_them(np.arange(8), np.arange(8))
print(arr, type(arr), arr.dtype)
#out[]:
# [ 0.  2.  4.  6.  8. 10. 12. 14.] <class 'numpy.ndarray'> float64

自定义ufunc在计算每个元素时，都要执行一次Python函数调用，这会比Numpy自带的基于C的ufunc慢很多。
in[ ]:

from numpy.random import randn
import numpy as np
def add_elements(x, y):
    return x+y
add_them1 = np.frompyfunc(add_elements, 2, 1)
add_them2 = np.vectorize(add_elements, otypes=[np.float64])
arr = randn(10000)
%timeit add_them1(arr, arr)
%timeit add_them2(arr, arr)
%timeit np.add(arr, arr)

out[ ]:

1.64 ms ± 2.93 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
1.74 ms ± 16.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
3.76 µs ± 38.3 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)