是否覆盖Numpy中的广播约定？

a64a0gku 于 2022-12-18 发布在其他

关注(0)|答案(1)|浏览(106)

我有两个Numpy数组x和y，其中x是n维的，n〉=1，但在“编译时”未知，而y是一维的。y的（也是唯一的）维度。我想得到他们的“总和”，称之为s，与x的维度相同，如下所示：

import numpy as np

x  = np.random.randn(5,100,10)
y  = np.random.randn(5)

s = np.empty_like(x)
for i in range(x.shape[0]):
   s[i] = x[i] + y[i]

但我希望避免for循环，这既是出于可读性考虑，更重要的是出于速度考虑。
很明显，由于Numpy中的广播约定是如何工作的，我不能做x+y。这要么会抛出错误，要么更糟的是，会碰巧工作，给出意想不到的结果。
我找到了两个不错的俏皮话，

s1 = (x.T + y).T
s2 = x + y[(slice(0, y.shape[0]),) + (np.newaxis,)*(x.ndim-1)]

第一个是利用了x中的第一个维度与y中的唯一维度匹配的事实，否则就不起作用了，第二个更一般，但是非常冗长。
由于我还在学习Python和Numpy，我想知道是否有其他（理想情况下更好，但我也对一般情况感兴趣）替代方法来做我想做的事情。本质上，我可能正在寻找的是一种覆盖广播约定的方法...

numpy

来源：https://stackoverflow.com/questions/74785027/override-broadcasting-conventions-in-numpy

1条答案

按热度按时间

6g8kf2rb1#

你不能改变广播规则，所以无论如何你必须给y添加尾部维度。
您已经使用了newaxis，生成了：

In [9]: y[:,None,None].shape
Out[9]: (5, 1, 1)

为reshape构造一个类似的元组可能要简单一些：

In [10]: y.reshape((-1,1,1)).shape
Out[10]: (5, 1, 1)

expand_dims是指定reshape的另一种方式：

In [11]: np.expand_dims(y,(1,2)).shape
Out[11]: (5, 1, 1)

型
这些都不是计算上昂贵的，即使代码最终有点冗长。
有几个atleast函数，但没有帮助：

In [19]: np.atleast_3d(y).shape
Out[19]: (1, 5, 1)

尽管如此，看看expand_dims或atleast的代码可能会给予你一些如何添加维度的想法，不管怎样，他们使用newaxis或reshape。
也可以使用np.array指定尺寸，但这会添加前导尺寸：

In [22]: np.array(y, ndmin=3, copy=False).shape
Out[22]: (1, 1, 5)

编辑

使用x.ndim：

In [30]: dim=[1]*x.ndim; dim[0]=-1;y.reshape(dim).shape
Out[30]: (5, 1, 1)
In [44]: y.reshape((-1,)+(1,)*(x.ndim-1)).shape
Out[44]: (5, 1, 1)

In [33]: np.expand_dims(y,tuple(np.arange(1,x.ndim))).shape
Out[33]: (5, 1, 1)
In [36]: np.expand_dims(y,list(range(1,x.ndim))).shape
Out[36]: (5, 1, 1)

你的版本，稍微简化一下：

In [45]: y[((slice(None),)+(None,)*(x.ndim-1))].shape
Out[45]: (5, 1, 1)

在时间上，这是最快的。

赞(0）回复(0）举报 2022-12-18

我来回答

是否覆盖Numpy中的广播约定？

1条答案

编辑

相关问题

热门标签

最新问答