Effiziente standard-basis-Vektor mit numpy

Einem index und einer Größe, ist es ein effizienter Weg zur Herstellung der standard-basis-Vektor:

import numpy as np
np.array([1.0 if i == index else 0.0 for i in range(size)])

InformationsquelleAutor Neil G | 2012-08-15

  1. 14
    In [2]: import numpy as np

In [9]: size = 5

In [10]: index = 2

In [11]: np.eye(1,size,index)
Out[11]: array([[ 0.,  0.,  1.,  0.,  0.]])

    Hm, leider, mit np.Auge ist eher langsam:

    In [12]: %timeit np.eye(1,size,index)
100000 loops, best of 3: 7.68 us per loop

In [13]: %timeit a = np.zeros(size); a[index] = 1.0
1000000 loops, best of 3: 1.53 us per loop

    Verpackung np.zeros(size); a[index] = 1.0 in einer Funktion macht nur einen bescheidenen Unterschied, und ist immer noch viel schneller als np.eye:

    In [24]: def f(size, index):
   ....:     arr = np.zeros(size)
   ....:     arr[index] = 1.0
   ....:     return arr
   ....: 

In [27]: %timeit f(size, index)
1000000 loops, best of 3: 1.79 us per loop
    ordentlich nicht kennen, diese...
    Wow. Ich sah am Auge, und übersprungen, weil in der Dokumentation sagt: "Zurückgeben, ein 2-D-array mit Einsen auf der Diagonale und Nullen woanders." Danke.
    Ja, ich dachte, sowas wäre möglich, aber ich bin ein wenig überrascht, numpy verwendet eye für diese (wie der name schon sagt es ist die Einheitsmatrix und das ist definitiv nicht eine identity-matrix). +1 für eine bessere Antwort als meine obwohl.
    Hm, vielleicht ist das keine so gute Lösung. Der timeit Ergebnisse zeigen, es ist 5x langsamer als mgilson und JoranBeasley Lösungen.
    würden Sie mir den Vergleich, wo die andere Lösung ist eingewickelt in eine Funktion akzeptiert Größe und index? (Ich habe gerade, und es ist nur 2 mal langsamer mit meiner Maschine).

    InformationsquelleAutor unutbu

  2. 7
    x = np.zeros(size)
x[index] = 1.0

    zumindest ich denke, das ist es...

    >>> t = timeit.Timer('np.array([1.0 if i == index else 0.0 for i in range(size)]
)','import numpy as np;size=10000;index=5123')
>>> t.timeit(10)
0.039461429317952934  #original method
>>> t = timeit.Timer('x=np.zeros(size);x[index]=1.0','import numpy as np;size=10000;index=5123')
>>> t.timeit(10)
9.4077963240124518e-05 #zeros method
>>> t = timeit.Timer('x=np.eye(1.0,size,index)','import numpy as np;size=10000;index=5123')
>>> t.timeit(10)
0.0001398340635319073 #eye method

    sieht aus wie np.Nullen ist am schnellsten...

    Gleiche Antwort! (+1)
    Interessanterweise, keiner von uns war im Einklang mit unserer Leerzeichen um = (ich habe aktualisiert von mir).
    heh es behoben, durch das Leerzeichen 😛

    InformationsquelleAutor Joran Beasley

  3. 6

    Ich bin mir nicht sicher, ob das schneller ist, aber es ist definitiv besser für mich klar. 

    a = np.zeros(size)
a[index] = 1.0
    hah, ich schlug Sie um 4 Sekunden 😛 (+1)

    InformationsquelleAutor mgilson

  4. 1

    Es ist vielleicht nicht die Schnellste, aber die Methode scipy.signal.unit_impulse verallgemeinert die obige Konzept zu numpy-arrays in beliebiger Form.

    InformationsquelleAutor Neil G

  5. 1

    Oft, müssen Sie nicht eine, sondern alle basis-Vektoren. Wenn dies der Fall ist, sollten np.eye:

    basis = np.eye(3)
for vector in basis:
  ...

    Nicht genau das gleiche, aber eng verwandt: Das funktioniert sogar, um eine Reihe von basis-Matrizen mit ein bisschen tricks:

    >>> d, e = 2, 3    # want 2x3 matrices
>>> basis = np.eye(d*e,d*e).reshape((d*e,d,e))
>>> print(basis)
[[[ 1.  0.  0.]
  [ 0.  0.  0.]]

 [[ 0.  1.  0.]
  [ 0.  0.  0.]]

 [[ 0.  0.  1.]
  [ 0.  0.  0.]]

 [[ 0.  0.  0.]
  [ 1.  0.  0.]]

 [[ 0.  0.  0.]
  [ 0.  1.  0.]]

 [[ 0.  0.  0.]
  [ 0.  0.  1.]]]

    und so weiter.

    InformationsquelleAutor coldfix

Schreibe einen Kommentar