numpy meshgrid 작업 문제

Question

Y, X = np.mgrid[-3:-3:10j, -3:3:10j] 

위와 같은 meshgrids에서 특정 작업을 적용 할 때 작업이 numpy와 호환되지 않을 수 있으므로 오류가 발생합니다. 때로는 sin, cos에 대한 numpy 함수 대안이 있지만 scipy.integrate의 quad 함수와 같은 모든 함수에 대한 함수가 없을 수 있습니다.

이 문제를 해결하려면 어떻게합니까? 전체 meshgrid에 작업을 적용해야합니다.

Answer 1

귀하의 질문은 (후속 의견에) 적어도 두 가지 방법으로 수행 할 수 있습니다 : 당신은 여러 인자의 기능이

1. 을, 당신은에 그 함수를 호출 할 수 있도록하고 싶습니다 기본적으로 numpy로 지원되는 브로드 캐스트 된 통화와 구문 학적으로 유사한 방식입니다. 성능은 문제가 아니며 함수의 호출 구문입니다.

2. numpy 배열의 시퀀스에서 평가되는 여러 인수의 함수가 있지만이 함수는 numpy 배열의 인접한 메모리 레이아웃을 이용할 수있는 방식으로 구현되지 않습니다. 성능이 문제입니다. 당신은 numpy 배열을 반복하고, 너무 느리다는 점을 제외하고는, 지루하고 평범한 for-loop 스타일로 함수를 호출하게되어 행복 할 것이다.

는 항목의 경우 1. 정기적으로 호출을 받아서 인수로 NumPy와 배열을 호출 할 수 있으며, NumPy와의 방송 규칙을 준수하는 호출을 반환 vectorize라는 NumPy와가 제공하는 편리한 기능이 있습니다. 지금은 2-D 격자 도처에서이 기능을 평가해야한다고 가정

def my_func(x, y): 
    return x + 2*y 

:

이 인위적인 예를 생각해 보자. 여기에 평범한 구식 지루한 방법입니다

Y, X = np.mgrid[0:10:1, 0:10:1] 
Z = np.zeros_like(Y) 

for i in range(Y.shape[0]): 
    for j in range(Y.shape[1]): 
     Z[i,j] = my_func(X[i,j], Y[i,j]) 

우리는 my_func 같은 몇 가지 다른 기능이 있다면, 2 차원 배열을 통해 주어진 함수를 "매핑"하는 기능으로이 과정을 일반화하기 좋은 수 있습니다.

import itertools 
def array_map(some_func, *arg_arrays): 
    output = np.zeros_like(arg_arrays[0]) 
    coordinates = itertools.imap(range, output.shape) 
    for coord in itertools.product(coordinates): 
     args = [arg_array[coord] for arg_array in arg_arrays] 
     output[coord] = some_func(*args) 
    return output 

이제 우리는 것처럼 그 array_map(my_func, X, Y) 행위를 볼 수있는 중첩에 대한 루프 : 우리가 array_map(my_func)를 호출하고 별도의 배열 인수를 생략 할 수 있다면 지금

In [451]: array_map(my_func, X, Y) 
Out[451]: 
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], 
     [ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 
     [ 4, 5, 6, 7, 8, 9, 10, 11, 12, 13], 
     [ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15], 
     [ 8, 9, 10, 11, 12, 13, 14, 15, 16, 17], 
     [10, 11, 12, 13, 14, 15, 16, 17, 18, 19], 
     [12, 13, 14, 15, 16, 17, 18, 19, 20, 21], 
     [14, 15, 16, 17, 18, 19, 20, 21, 22, 23], 
     [16, 17, 18, 19, 20, 21, 22, 23, 24, 25], 
     [18, 19, 20, 21, 22, 23, 24, 25, 26, 27]]) 

, 그것은 좋지 않을까? 대신 단지 for-loops를 수행하기 위해 기다리는 새로운 함수를 얻는 것입니다.

우리는 functools.partial하여이 작업을 수행 할 수 있습니다 - 그래서 우리는이 같은 쉽고 간단한 벡터 기 작성할 수 있습니다

import functools 
def vectorizer(regular_function): 
    awesome_function = functools.partial(array_map, regular_function) 
    return awesome_function 

을하고 그것을 밖으로 테스트 :

In [453]: my_awesome_func = vectorizer(my_func) 

In [454]: my_awesome_func(X, Y) 
Out[454]: 
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], 
     [ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 
     [ 4, 5, 6, 7, 8, 9, 10, 11, 12, 13], 
     [ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15], 
     [ 8, 9, 10, 11, 12, 13, 14, 15, 16, 17], 
     [10, 11, 12, 13, 14, 15, 16, 17, 18, 19], 
     [12, 13, 14, 15, 16, 17, 18, 19, 20, 21], 
     [14, 15, 16, 17, 18, 19, 20, 21, 22, 23], 
     [16, 17, 18, 19, 20, 21, 22, 23, 24, 25], 
     [18, 19, 20, 21, 22, 23, 24, 25, 26, 27]]) 

이제 my_awesome_func 동작합니다 당신이 할 수있는 것처럼 ndarrays 위에 직접 호출하는 것!

나는 많은 추가적인 작은 성능 세부 사항, 범위 검사 등을 간과했습니다.,이 장난감 버전을 만드는 동안 vectorizer ...하지만 운 좋게도 numpy에 이미 이것을 할 vectorize입니다! vectorize의 영업 이익을 내 이전 의견과 문서에서 강조로 다시 한번

In [455]: my_vectorize_func = np.vectorize(my_func) 

In [456]: my_vectorize_func(X, Y) 
Out[456]: 
array([[ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9], 
     [ 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 
     [ 4, 5, 6, 7, 8, 9, 10, 11, 12, 13], 
     [ 6, 7, 8, 9, 10, 11, 12, 13, 14, 15], 
     [ 8, 9, 10, 11, 12, 13, 14, 15, 16, 17], 
     [10, 11, 12, 13, 14, 15, 16, 17, 18, 19], 
     [12, 13, 14, 15, 16, 17, 18, 19, 20, 21], 
     [14, 15, 16, 17, 18, 19, 20, 21, 22, 23], 
     [16, 17, 18, 19, 20, 21, 22, 23, 24, 25], 
     [18, 19, 20, 21, 22, 23, 24, 25, 26, 27]]) 

, -이 하지 속도 최적화입니다. 사실, 오버 루프를 호출하는 추가 함수는 for 루프를 직접 작성하는 것보다 느린 경우가 있습니다. 그러나 속도가 문제가되지 않는 경우이 메서드를 사용하면 사용자 지정 함수가 numpy와 동일한 호출 규칙을 따르도록 할 수 있습니다. 이렇게하면 라이브러리 인터페이스의 일관성을 향상시키고 코드를보다 일관성 있고 읽기 쉽게 만들 수 있습니다.

항목 2에 관해서는 이미 많은 것들이 이미 작성되었습니다. 문제가 있다면 메모리의 연속 블록을 활용하고 중복 된 동적 유형 검사를 사용하여 기능을 최적화해야합니다.) 파이썬 목록에 추가 여기에 몇 가지 링크는 도움이 될 수 있습니다

1. < http://pandas.pydata.org/pandas-docs/stable/enhancingperf.html>
2. < http://csl.name/C-functions-from-Python/>
3. < https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow>
,451,515,
4. < nbviewer.ipython.org/url/jakevdp.github.io/downloads/notebooks/NumbaCython.ipynb>