给出以下代码:
a = np.zeros([4,4])a[0] = [1.,2.,3.,4.]for i in range(len(a)-1): a[i+1] = 2*a[i]print a
它输出
[[ 1. 2. 3. 4.] [ 2. 4. 6. 8.] [ 4. 8. 12. 16.] [ 8. 16. 24. 32.]]
当我现在尝试像这样向量化代码:
a = np.zeros([4,4.]a[1:] = 2*a[0:-1]print a
我只是让第一次迭代正确:
[[ 1. 2. 3. 4.] [ 2. 4. 6. 8.] [ 0. 0. 0. 0.] [ 0. 0. 0. 0.]]
是否有可能以矢量化形式有效地编写上面的代码(下一次迭代总是访问前一次迭代)或者我是否必须保持for循环?
解决方法 可以使用scipy.signal.lfilter
计算此类线性递归: In [19]: from scipy.signal import lfilterIn [20]: num = np.array([1.0])In [21]: Alpha = 2.0In [22]: den = np.array([1.0,-Alpha])In [23]: a = np.zeros((4,4))In [24]: a[0,:] = [1,2,3,4]In [25]: lfilter(num,den,a,axis=0)Out[25]: array([[ 1.,4.],[ 2.,4.,6.,8.],[ 4.,8.,12.,16.],[ 8.,16.,24.,32.]])
有关详细信息,请参阅以下内容:python recursive vectorization with timeseries,Recursive definitions in Pandas
请注意,使用lfilter实际上只有在解决非均匀问题时才有意义,例如x [i 1] = Alpha * x [i] u [i],其中u是给定的输入数组.对于简单的重复a [i 1] = Alpha * a [i],您可以使用精确解a [i] = a [0] * Alpha ** i.可以使用广播对多个初始值的解决方案进行矢量化.例如,
In [271]: Alpha = 2.0In [272]: a0 = np.array([1,4])In [273]: n = 5In [274]: a0 * (Alpha**np.arange(n).reshape(-1,1))Out[274]: array([[ 1.,32.],[ 16.,32.,48.,64.]])总结
以上是内存溢出为你收集整理的python – 尝试用numpy向量化迭代计算全部内容,希望文章能够帮你解决python – 尝试用numpy向量化迭代计算所遇到的程序开发问题。
如果觉得内存溢出网站内容还不错,欢迎将内存溢出网站推荐给程序员好友。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)