python中的np.array函数_对列表numpy数组中的每个列表应用函数

一些比较和时间测试；但请记住，这只是一个小例子。在In [106]: test_arr = np.array([['the', 'quick', 'brown', 'fox'], ['lorem', 'ipsum'], ['this', 'is', 'a', 'test']])

...:

In [107]: def my_func(l):

...: # accepts list, returns another list

...: # dumbed down list transformation function

...: # for testing, just return the first 2 elems of original list

...: return l[0:2]

...:

list comprehension方法返回一个二维字符串数组-因为函数每次都返回2个元素列表。在

^{pr2}$

输入数组是object dtype，因为子列表的长度不同：In [109]: test_arr

Out[109]:

array([list(['the', 'quick', 'brown', 'fox']), list(['lorem', 'ipsum']),

list(['this', 'is', 'a', 'test'])], dtype=object)

frompyfunc返回一个object dtype数组；与我过去的测试一致，它稍微快一些(2倍，但从来没有一个数量级)In [110]: np.frompyfunc(my_func,1,1)(test_arr)

Out[110]:

array([list(['the', 'quick']), list(['lorem', 'ipsum']),

list(['this', 'is'])], dtype=object)

In [111]: timeit np.frompyfunc(my_func,1,1)(test_arr)

5.68 µs ± 230 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [112]: timeit np.array([my_func(x) for x in test_arr])

8.96 µs ± 25.6 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

vectorize使用frompyfunc，但开销更大。需要使用otypes来避免sequence错误(否则它将尝试从试算中推断返回类型)：In [113]: np.vectorize(my_func,otypes=[object])(test_arr)

Out[113]:

array([list(['the', 'quick']), list(['lorem', 'ipsum']),

list(['this', 'is'])], dtype=object)

In [114]: timeit np.vectorize(my_func,otypes=[object])(test_arr)

30.4 µs ± 132 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)