使用视图进行 NumPy 广播

Question

假设我有一个 2D np.array X，我需要在一些中间计算中使用 X[:, None, :]；例如 np.sum(X[:, None, :] == Y[None, :, :], axis=2) 其中 Y 也是 2D np.array。

此操作是否显式复制 X 和 Y 的内存以创建 X[:, None, :] 和 Y[:, None, :]？如果是这样，有没有办法通过在 NumPy 中使用视图来避免这种复制？

Answer 1

X[:, None, :] 和 Y[None, :, :] 已经是视图。这两个操作都是 NumPy basic slicing，它总是生成一个视图。

X[:, None, :] == Y[None, :, :] 将是一个更大的内存问题，因为它创建了一个非常大的布尔数组。您可以通过在 'hamming' 模式下根据 scipy.spatial.distance.cdist 重写您的计算来避免这种情况：

In [10]: x
Out[10]: 
array([[3, 0, 2, 2, 3],
       [3, 2, 1, 3, 2],
       [2, 2, 1, 1, 1]])
In [11]: y
Out[11]: 
array([[0, 0, 1, 2, 3],
       [2, 0, 0, 1, 1],
       [2, 0, 2, 3, 3],
       [2, 1, 1, 2, 1]])
In [12]: numpy.sum(x[:, None, :] == y[None, :, :], axis=2)
Out[12]: 
array([[3, 1, 3, 1],
       [1, 0, 1, 1],
       [1, 3, 1, 3]])
In [13]: 5 - 5*cdist(x, y, 'hamming') # 5 for the row length of x and y
Out[13]: 
array([[ 3.,  1.,  3.,  1.],
       [ 1.,  0.,  1.,  1.],
       [ 1.,  3.,  1.,  3.]])

scipy.spatial.distance 中没有计算非归一化汉明距离的选项，因此我们必须撤消归一化。

使用视图进行 NumPy 广播

Using views for NumPy broadcasting

python

numpy

array-broadcasting