numpy的强大之处在于它允许您在单个操作中对整个数组进行操作。这称为矢量化或矢量化。当然,在幕后也有这样做的循环,但它们是用C语言编写的,并且经过高度优化,因此它们的运行速度比纯python所能达到的任何速度都要快。
所以当你用numpy编写一个函数时,你的首要目标是让numpy完成所有的工作。理想情况下,不应该有显式循环,而应该只有对整个数组同时操作的调用。幸运的是,numpy提供了所有必要的实用程序,以便在您的情况下实现这一点。
下面是一个循序渐进的指南:
首先,将输入转换为数组。数组在很多方面就像列表,不同之处在于可以对它们执行矢量化操作。如果您传入一个列表,大多数numpy函数会将它们的输入静默地转换成一个数组,但是我们会显式地这样做:def numpy_fun_list(list_, x):
arr = np.array(list_)
到目前为止还不错。所有进一步的操作将对arr而不是list_执行。
接下来你要过滤掉偶数元素。最简单的方法是屏蔽数组。当使用相同大小的布尔数组索引numpy数组时,它将选择布尔数组中为真的元素,并放弃其余元素。例如:>>> data = np.array([1, 2, 3, 4])
>>> mask = np.narray([True, False, False, True])
>>> data[mask]
array([1, 4])
所有条件运算符和比较运算符都创建这样的布尔数组。在您的例子中,您想要检查一个数字是否是奇数,所以您使用的是模块,就像在Python中一样,只是模块在数组的每个元素上操作:mask = (arr % 2) == 1
运算符==将模运算的结果转换为布尔掩码:arr = arr[mask]
现在我们需要将剩余的arr中的每个元素提升为x的幂。如您所料,这就是np.power所做的:arr = np.power(arr, x)
就这样。现在您可以返回或打印结果。实际上,有一点要注意:
原始函数将结果打印到屏幕上,但不返回。函数的返回值是隐式的None,这就是为什么您会看到所有这些none被打印出来。如果不返回它,那么对于计算列表就无能为力,这使得整个函数变得毫无用处。我的建议是用return list_替换print (list_)。