numpy

Question

我想计算 mm 个子数组的 mm*n 维数组的行列式，并希望以 fast/more 优雅的方式进行计算。蛮力方法有效：

import numpy as n

array=n.array([[[0.,1.,2.,3.],[2,1,1,0]],[[0.5, 0.5,2,2],[0.5,1,0,2]]])
detarray=n.zeros(4)
for i in range(4):
    detarray[i]= n.linalg.det(array[:,:,i])

我会尝试用 apply_along_axis 来做这件事，但我知道这只适用于函数的一维参数，所以我想我无法让它工作。

不过，我认为 apply_over_axes 也应该有效：

n.apply_over_axes(n.linalg.det, array, [0,1])

但这给了我一个错误： "det() takes exactly 1 argument (2 given)"

有谁知道为什么这不起作用？如果 apply_over_axes 确实无法进行此类计算，是否有比 for 循环更好的方法？

Answer 1

numpy.linalg.det 是开箱即用的矢量化。您需要做的就是将外轴向左移动：

>>> np.linalg.det(np.moveaxis(array, 2, 0))
array([-1. ,  0.5, -2. ,  6. ])

Answer 2

利用 transpose semantics of NumPy for 3D arrays, you can simply pass the transposed array to numpy.linalg.det() 如：

In [13]: arr = np.array([[[0.,1.,2.,3.], 
                          [2, 1, 1, 0]], 

                         [[0.5, 0.5,2,2],
                          [0.5, 1, 0, 2]]])

In [14]: np.linalg.det(arr.T)
Out[14]: array([-1. ,  0.5, -2. ,  6. ])

在性能方面，这种方法似乎 是另一种使用 numpy.moveaxis

手动移动轴的方法的两倍

In [29]: %timeit np.linalg.det(np.moveaxis(arr, 2, 0))
12.9 µs ± 192 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

In [30]: %timeit np.linalg.det(arr.T)
6.2 µs ± 136 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

numpy - 向量化函数：apply_over_axes / apply_along_axis

numpy - vectorize functions: apply_over_axes / apply_along_axis

python

array-broadcasting