numpy.vectorize_NumPy中文网

NumPy NumPy参考

NumPy参考 >例行程序 >Functional programming > numpy.vectorize

类numpy.vectorize（pyfunc，otypes =无，DOC =无，排除=无，缓存=假，签名=无）[源] ¶

广义函数类。

定义一个矢量化函数，该函数将嵌套的对象序列或numpy数组作为输入，并返回单个numpy数组或numpy数组的元组。像python map函数一样，矢量化函数在输入数组的连续元组上评估pyfunc，除了它使用numpy的广播规则。

通过使用输入的第一个元素调用函数来确定矢量化输出的数据类型。通过指定otypes参数可以避免这种情况。

参量

pyfunc 可调用: python函数或方法。
otypes str或dtypes列表，可选: 输出数据类型。必须将其指定为一串类型代码字符或一列数据类型说明符。每个输出应有一个数据类型说明符。
doc str，可选: 该函数的文档字符串。如果为None，则文档字符串将为 pyfunc.__doc__。
排除集，可选: 一组字符串或整数，表示位置或关键字参数，对其不会对其进行向量化。这些将直接传递给未经修改的pyfunc。

1.7.0版中的新功能。
缓存布尔值，可选: 如果为True，则在未提供otypes的情况下，缓存确定输出数量的第一个函数调用。

1.7.0版中的新功能。
签名字符串，可选: 通用通用函数签名，例如，(m,n),(n)->(m)用于矢量化矩阵-矢量乘法。如果提供的话，pyfunc将被调用（并期望返回）数组，其形状由相应核心尺寸的大小确定。默认情况下，pyfunc假定将标量作为输入和输出。

1.12.0版中的新功能。

退货

向量化可调用: 向量化功能。

也可以看看

frompyfunc: 接受任意Python函数并返回ufunc

笔记

vectorize提供此功能主要是为了方便，而不是为了提高性能。该实现实质上是一个for循环。

如果未指定otypes，则将使用对带有第一个参数的函数的调用来确定输出数量。如果cache为True，则此调用的结果将被缓存，以防止两次调用该函数。但是，要实现缓存，必须包装原始函数，这会减慢后续调用的速度，因此仅在函数昂贵时才这样做。

新的关键字参数接口和排除的参数支持进一步降低了性能。

参考文献

R5cc1f1f25381-1: NumPy参考，“ 通用函数API”部分。

例子

>>> def myfunc(a, b):
...     "Return a-b if a>b, otherwise return a+b"
...     if a > b:
...         return a - b
...     else:
...         return a + b

>>> vfunc = np.vectorize(myfunc)
>>> vfunc([1, 2, 3, 4], 2)
array([3, 4, 1, 2])

vectorize除非已指定，否则文档字符串将从输入函数中获取：

>>> vfunc.__doc__
'Return a-b if a>b, otherwise return a+b'
>>> vfunc = np.vectorize(myfunc, doc='Vectorized `myfunc`')
>>> vfunc.__doc__
'Vectorized `myfunc`'

除非指定，否则通过评估输入的第一个元素来确定输出类型：

>>> out = vfunc([1, 2, 3, 4], 2)
>>> type(out[0])
<class 'numpy.int64'>
>>> vfunc = np.vectorize(myfunc, otypes=[float])
>>> out = vfunc([1, 2, 3, 4], 2)
>>> type(out[0])
<class 'numpy.float64'>

在排除参数可以用来防止向量化对某些参数。这对于固定长度的类似数组的参数（例如多项式的系数）很有用，例如polyval：

>>> def mypolyval(p, x):
...     _p = list(p)
...     res = _p.pop(0)
...     while _p:
...         res = res*x + _p.pop(0)
...     return res
>>> vpolyval = np.vectorize(mypolyval, excluded=['p'])
>>> vpolyval(p=[1, 2, 3], x=[0, 1])
array([3, 6])

位置参数也可以通过指定其位置来排除：

>>> vpolyval.excluded.add(0)
>>> vpolyval([1, 2, 3], x=[0, 1])
array([3, 6])

的签名参数允许向量化上的固定长度的非标量阵列作用的功能。例如，可以将其用于皮尔逊相关系数及其p值的矢量化计算：

>>> import scipy.stats
>>> pearsonr = np.vectorize(scipy.stats.pearsonr,
...                 signature='(n),(n)->(),()')
>>> pearsonr([[0, 1, 2, 3]], [[1, 2, 3, 4], [4, 3, 2, 1]])
(array([ 1., -1.]), array([ 0.,  0.]))

或对于向量化卷积：

>>> convolve = np.vectorize(np.convolve, signature='(n),(m)->(k)')
>>> convolve(np.eye(4), [1, 2, 1])
array([[1., 2., 1., 0., 0., 0.],
       [0., 1., 2., 1., 0., 0.],
       [0., 0., 1., 2., 1., 0.],
       [0., 0., 0., 1., 2., 1.]])

方法

`__call__`（自己，\ * args，\ * \ * kwargs）	用的结果返回阵列pyfunc广播（矢量）超过ARGS和kwargs不排除。