在 NumPy 数组上映射函数的最有效方法是什么？

高效的 Numpy 数组映射策略

当涉及到 Numpy 数组上的映射函数时，性能效率至关重要。出现了一个基本问题：“映射操作最有效的方法是什么？”

低效方法：Python 列表理解

问题中提供的示例使用了一个列表理解：

squares = np.array([squarer(xi) for xi in x])

虽然这种方法有效，但由于从 a 的中间转换，它具有固有的低效率。 Python列表返回Numpy数组。

优化策略

测试各种方法，出现最佳解决方案：

1.使用内置 Numpy 函数：

如果您要映射的函数已在 Numpy 中进行矢量化（例如 x^2），则直接使用它可提供卓越的性能：

squares = x ** 2

2。使用 numpy.vectorize 进行矢量化：

对于自定义函数，使用 numpy.vectorize 进行矢量化显示出显着的速度提升：

f = lambda x: x ** 2
vf = np.vectorize(f)
squares = vf(x)

3。 numpy.fromiter:

此方法从函数创建迭代器，并使用 numpy.fromiter 高效构造 Numpy 数组：

squares = np.fromiter((squarer(xi) for xi in x), x.dtype)

4。 numpy.array(list(map(...)):

另一个优化的替代方案是使用map，然后将其转换为Numpy数组：

squares = np.array(list(map(squarer, x)))

进行的基准测试使用 perfplot 证明这些优化方法明显优于原始列表理解方法。

以上是在 NumPy 数组上映射函数的最有效方法是什么？的详细内容。更多信息请关注PHP中文网其他相关文章！