numpy的矢量化和原子矢量(Numpy vectorize and atomic vectors)

我想执行该阵列上的工作方式类似于numpy.sum功能上期望的功能，例如np.sum（[2,3]，1）= [3,4]和np.sum（[1,2] ，[3,4]）= [4,6]。

然而，一个简单的测试已经实施的行为莫名其妙的尴尬：

import numpy as np

def triv(a, b): return a, b

triv_vec = np.vectorize(fun, otypes = [np.int])
triv_vec([1,2],[3,4])  

使用结果：

array([0, 0])

而不是所希望的结果：

array([[1,3], [2,4]])

任何想法，这是怎么回事？ 谢谢

Answer 1:

您需要otypes=[np.int,np.int]

triv_vec = np.vectorize(triv, otypes=[np.int,np.int])
print triv_vec([1,2],[3,4])
(array([1, 2]), array([3, 4]))

otypes：STR或dtypes的列表，可选

输出的数据类型。 它必须被指定为一个的类型代码的字符串或数据类型说明符的列表。 应该有用于每个输出一个数据类型说明符。

Answer 2:

我原来的问题是专门的事实，矢量化正在进行内部型铸造和运行优化的内部循环，这多少会影响性能。 因此，这里的答案：

确实如此，但并非只有<23％的效果并不如相当大的，因为我认为。

import numpy as np

def make_tuple(a, b): return tuple([a, b])

make_tuple_vec = np.vectorize(make_tuple, otypes = [np.int, np.int])

v1 = np.random.random_integers(-5, high = 5, size = 100000)
v2 = np.random.random_integers(-5, high = 5, size = 100000)

%timeit [tuple([i,j]) for i,j in zip(v1,v2)] # ~ 596 µs per loop

%timeit make_tuple_vec(v1, v2) # ~ 544 µs per loop

此外正如所料，该元组生成函数不矢量像例如在地图功能图谱（make_tuple，V1，V2），这是用100倍慢exectution时间竞争的明确宽松的：

%timeit map(make_tuple, v1, v2) # ~ 64.4 ms per loop 

文章来源: Numpy vectorize and atomic vectors