Question

我想将函数应用于5x1 numpy数组的每一行。我正在应用的函数有两个参数，我希望数组的元素作为第二个参数输入，而不是第一个参数。我一直在使用signed long sl = 0x8000000000000000L;。查看此功能的文档，它似乎不可能。

在没有显式定义参数顺序颠倒的新函数的情况下，是否仍然可以这样做？我只是好奇。以下是我一直在搞乱的例子。

numpy.apply_along_axis()

Answer 1

我要调整你的例子，让它更有趣

In [190]: np.apply_along_axis(lol,0,tmp,2)
Out[190]: array([ 1.5,  2.5,  3.5])

In [191]: np.apply_along_axis(lol,1,tmp,2)
Out[191]: array([ 1.5,  6. ])

因此，使用2d tmp，我们可以沿任一轴应用它

lambda

另一个In [192]: np.apply_along_axis(lambda x,y:lol(y,x),0,tmp,2) Out[192]: array([[ inf, 2. , 1. ], [ 0.66666667, 0.5 , 0.4 ]])干净地切换参数：

2/tmp

（与lambda相同;轴并不重要）

函数调用的额外层并没有太多改变执行速度（切换参数会增加时间，但我想关注额外In [195]: timeit np.apply_along_axis(lol,1,tmp,2) 10000 loops, best of 3: 103 us per loop In [196]: timeit np.apply_along_axis(lambda x,y:lol(x,y),1,tmp,2) 10000 loops, best of 3: 105 us per loop的影响。）

apply_along_axis

使用apply_along_axis没有什么神奇或额外的效率;你（或我们）可以写一个做同样事情的迭代。

让我们比较2个表达式，In [213]: np.apply_along_axis(lol,0,tmp,2) Out[213]: array([ 1.5, 2.5, 3.5]) In [214]: np.array([lol(tmp[:,i],2) for i in range(tmp.shape[1])]) Out[214]: array([ 1.5, 2.5, 3.5]) In [215]: timeit np.apply_along_axis(lol,0,tmp,2) 10000 loops, best of 3: 132 us per loop In [217]: timeit np.array([lol(tmp[:,i],2) for i in range(tmp.shape[1])]) 10000 loops, best of 3: 64.1 us per loop和等效列表理解：

apply_along_axis

var elem=function(pos){return arr[pos];} elem(0) //"a" elem(1) //"b" arr.splice(1,1); elem(1) //"c"速度较慢，可能是因为它试图更加通用。它可能更方便，但它显然更有效率。

Answer 2

有可能！但是函数本身是直接调用的，数据是第一个参数（参见source），所以你需要另一层抽象来改变参数：例如使用装饰器：

from functools import wraps
def swapelements(func):
    @wraps(func)
    def wrapper(array, *args, **kwargs):
        # Insert the array as second=array:
        kwargs['second'] = array
        return func(*args, **kwargs)
    return wrapper

np.apply_along_axis(swapelements(lol), 1, tmp, first=1)

array([[  6.24582532],
       [  1.14800413],
       [  1.87634432],
       [ 14.31209963],
       [  2.47123623]])

tmp为[[ 0.16010694], [ 0.871077 ], [ 0.53295122], [ 0.06987095], [ 0.40465577]]

如果您使用5x1数组，为什么要使用apply_along_axis？你可以通过使用：

来实现同样的目标

result = 1. / tmp

您的第二个轴只包含一个元素。

numpy.apply_along_axis中的参数顺序

2 个答案: