NumPy库frompyfunc与vectorize的比较¶

发布于：2014-12-22 | 分类：numeric calculation , python/vba/cpp

---

NumPy提供了两种基本对象ndarray（n-dimensional array）和ufunc（universal function），后者指能够对数组中的每个元素进行操作的函数，可以提高运算速度。为了将普通的计算单个元素的函数转换成ufunc函数，NumPy提供了frompyfunc()和vectorize()两个函数。通过转换，可以使原来的函数参数接受向量输入（换句话说将转换后的函数的向量作为标量输入原来的函数），最终输出相应维度的结果。那么问题来了，

• 当我原来的函数本来就是输出数组，最终会输出新的二维数组么？

• 当我某些输入参数并不希望被向量化，那该怎么办？

本文针对应用中遇到的这两个问题作示例说明。

函数说明¶

参考Numpy官方手册对这两个函数的声明 ^{1 2}：

numpy.frompyfunc(func, nin, nout)
class numpy.vectorize(pyfunc, otypes='', doc=None, excluded=None, cache=False)

• frompyfunc()的输入参数分别为函数名，输入参数个数，输出参数个数。
• vectorize()的输出参数较多，常使用的是前两个：函数名和返回类型。

并且注意文档中明确指出的一句话，vectorize()函数本质上是通过循环实现的，所以它的使用只是为了方便而不是效率。也就是说frompyfunc()更为底层些，效率相对更高。

问题一 函数返回数组¶

测试代码

import numpy as np

def test1(x):
    return x*np.array([0.0,1.0])

fpf_test1 = np.frompyfunc(test1,1,1)
vec_test1 = np.vectorize(test1)

x = np.linspace(0,1,2)

测试结果

print fpf_test1(x)
[array([ 0.,  0.]) array([ 0.,  1.])]

print vec_test1(x)
ValueError: setting an array element with a sequence.

原函数输出结果也为一个数组，测试结果表明使用frompyfunc()函数达到了预期的效果，而vectorize()函数却导致了错误。

问题二 参数不需要向量化¶

测试代码

import numpy as np

def test2(x,y):
    '''返回x数组对应y位置的元素'''
    return x[int(y)]

fpf_test2 = np.frompyfunc(test2,2,1)
vec_test2 = np.vectorize(test2)

x = np.linspace(0,4,5) * 10
y = np.linspace(0,4,5)

测试结果

print fpf_test2(x,y)
TypeError: 'float' object has no attribute '__getitem__'

print vec_test2(x,y)
IndexError: invalid index to scalar variable.

vec_test2.excluded.add(0) # 第一个参数无需向量化
print vec_test2(x,y)
[  0.  10.  20.  30.  40.]

结果可以看出，直接使用时由于将x也视为需要向量化处理的参数，所以都出现类型错误（x最终被视为一个标量了）。而使用vectorize函数类的excluded属性添加不考虑向量化的输入参数后，得到了正确的输出。

结论¶

frompyfunc()和vectorize()函数都可以使自定义的单输入值函数转为ufunc函数，但是注意以下几点：

• frompyfunc()较vectorize()有更高的执行效率，尤其在规模较大时。

• frompyfunc()可以适用于原函数输出数组的情形，而vectorize()则不支持。

• vectorize()可以指定不需要向量化处理的输入参数，从而满足具体需求。