如何使用 numpy.frompyfunc 返回元素数组而不是数组数组？答案

【问题标题】：How to use numpy.frompyfunc to return an array of elements instead of array of arrays?如何使用 numpy.frompyfunc 返回元素数组而不是数组数组？
【发布时间】：2015-06-23 22:21:10
【问题描述】：

我正在使用 SHTOOLS 包中的 PLegendre 函数。它返回一个特定参数的勒让德多项式数组。 PLegendre(lmax,x) 返回 Legendre 多项式 P_0(x) 到 P_lmax(x) 的数组。它的工作原理是这样的：

In [1]: from pyshtools import PLegendre
loading shtools documentation

In [2]: import numpy as np

In [3]: PLegendre(3,0.5)
Out[3]: array([ 1.    ,  0.5   , -0.125 , -0.4375])

我想传递一个数组作为参数，所以我使用 frompyfunc。

In [4]: legendre=np.frompyfunc(PLegendre,2,1)

In [5]: legendre(3,np.linspace(0,1,4))
Out[5]: 
array([array([ 1. ,  0. , -0.5, -0. ]),
   array([ 1.        ,  0.33333333, -0.33333333, -0.40740741]),
   array([ 1.        ,  0.66666667,  0.16666667, -0.25925926]),
   array([ 1.,  1.,  1.,  1.])], dtype=object)

输出是一个数组数组。我知道我可以通过对数组进行切片来创建一个元素数组。

In [6]: a=legendre(3,np.linspace(0,1,4))

In [7]: array([a[i][:] for i in xrange(4)])
Out[7]: 
array([[ 1.        ,  0.        , -0.5       , -0.        ],
   [ 1.        ,  0.33333333, -0.33333333, -0.40740741],
   [ 1.        ,  0.66666667,  0.16666667, -0.25925926],
   [ 1.        ,  1.        ,  1.        ,  1.        ]])

但是.. 有没有办法直接解决这个问题，而不必对数组进行切片？

【问题讨论】：

标签： python arrays numpy numpy-ufunc

【解决方案1】：

我认为它不能直接完成，正如 here 已经指出的那样，np.vectorize 的作用几乎相同。请注意，您的代码并不比使用np.frompyfunc 的普通for 循环更快......代码看起来更好。

但是，您可以使用 np.vstack 而不是列表理解

a = legendre(3,np.linspace(0,1,4))
np.vstack(a)

【讨论】：

【解决方案2】：

np.frompyfunc 已编译，因此我必须深入研究源代码才能确切了解它在做什么。但它似乎假设 func 输出是一个（难以理解的）Python 对象。

foo1 = np.frompyfunc(np.arange,1,1)
foo2 = np.vectorize(np.arange,otypes='O')

这 2 个函数产生相同的输出，但 foo1 更快。

foo1(np.arange(4))

产生不同大小的数组

array([array([], dtype=int32), array([0]), array([0, 1]), array([0, 1, 2])], dtype=object)

其中foo1(np.ones((4,)) 都是一样的，理论上可以叠加。

在循环期间或之后，没有尝试测试对象是否为数组（或列表）以及它们是否可以组合成单个更高维数组。

plonser's 使用vstack 是个好主意。事实上frompyfunc 加上vstack 比更常见的列表理解加上vstack 更快。

In [54]: timeit np.vstack([np.arange(i) for i in 10*np.ones((10,))])
10000 loops, best of 3: 169 µs per loop

In [55]: timeit np.vstack(foo1(10*np.ones((10,))))
10000 loops, best of 3: 127 µs per loop

【讨论】：