Bagaimanakah `meshgrid` NumPy Boleh Menjana Semua Gabungan Nilai Tatasusunan dengan Cekap?

Menggunakan NumPy untuk Gabungan Tatasusunan Cekap

Untuk menyiasat kelakuan berangka bagi fungsi enam parameter, anda mencari kaedah yang cekap untuk melintasi ruang parameternya. Pada mulanya, anda menggunakan fungsi tersuai untuk menggabungkan nilai tatasusunan, diikuti dengan reduce() untuk menggunakannya berulang kali. Walaupun berfungsi, pendekatan ini ternyata menyusahkan.

Penyelesaian Cekap dengan NumPy

Versi NumPy yang lebih baharu (1.8.x dan ke atas) menawarkan penyelesaian yang jauh unggul: numpy.meshgrid(). Fungsi ini membolehkan penciptaan tatasusunan berbilang dimensi yang terdiri daripada semua kemungkinan gabungan tatasusunan input. Dalam kes anda:

import numpy as np

a = np.arange(0, 1, 0.1)
combinations = np.array(np.meshgrid(a, a, a, a, a, a)).T.reshape(-1, 6)

Pendekatan ini meningkatkan prestasi dengan ketara, seperti yang ditunjukkan oleh penanda aras berikut:

%timeit np.array(np.meshgrid(a, a, a, a, a, a)).T.reshape(-1, 6)

# Output: 10000 loops, best of 3: 74.1 µs per loop

Sebagai alternatif, anda boleh menggunakan fungsi tersuai berikut untuk kawalan maksimum:

def cartesian(arrays):
    arr = np.empty((len(arrays.shape), len(arrays)))
    for n, array in enumerate(arrays):
        arr[n, :] = array
    return arr.T.reshape(-1, len(arrays))

%timeit cartesian([a, a, a, a, a, a])

# Output: 1000 loops, best of 3: 135 µs per loop

Atas ialah kandungan terperinci Bagaimanakah `meshgrid` NumPy Boleh Menjana Semua Gabungan Nilai Tatasusunan dengan Cekap?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!