Apakah cara yang paling berkesan untuk memetakan fungsi kepada tatasusunan NumPy?

Fungsi Pemetaan kepada Tatasusunan NumPy

Pengenalan

Pemetaan fungsi ke atas tatasusunan NumPy melibatkan penggunaan fungsi pada setiap elemen dalam tatasusunan untuk mendapatkan tatasusunan baharu yang mengandungi keputusan. Walaupun kaedah yang diterangkan dalam soalan menggunakan pemahaman senarai dan penukaran kepada tatasusunan NumPy adalah mudah, ia mungkin bukan pendekatan yang paling cekap. Artikel ini meneroka pelbagai kaedah untuk memetakan fungsi dengan cekap ke atas tatasusunan NumPy.

Fungsi NumPy Asli

Jika fungsi yang anda ingin gunakan sudah pun menjadi fungsi NumPy tervektor, seperti punca kuasa dua atau logaritma, menggunakan Fungsi asli NumPy secara langsung ialah pilihan terpantas.

import numpy as np

x = np.array([1, 2, 3, 4, 5])
squares = np.square(x)  # Fast and straightforward

Array Pemahaman dan Peta

Untuk fungsi tersuai yang tidak divektorkan dalam NumPy, menggunakan pemahaman tatasusunan biasanya lebih cekap daripada menggunakan gelung tradisional:

import numpy as np

def my_function(x):
    # Define your custom function

x = np.array([1, 2, 3, 4, 5])
squares = np.array([my_function(xi) for xi in x])  # Reasonably efficient

Fungsi peta juga boleh digunakan, walaupun ia agak kurang cekap daripada tatasusunan kefahaman:

import numpy as np

def my_function(x):
    # Define your custom function

x = np.array([1, 2, 3, 4, 5])
squares = np.array(list(map(my_function, x)))  # Slightly less efficient

np.fromiter

Fungsi np.fromiter ialah pilihan lain untuk fungsi pemetaan, terutamanya untuk kes di mana fungsi menjana lelaran. Walau bagaimanapun, ia kurang cekap sedikit berbanding pemahaman tatasusunan:

import numpy as np

def my_function(x):
    # Define your custom function
    return iter([my_function(xi) for xi in x])  # Yields values as an iterator

x = np.array([1, 2, 3, 4, 5])
squares = np.fromiter(my_function(x), x.dtype)  # Less efficient, but works with iterators

Vektorisasi

Dalam sesetengah kes, adalah mungkin untuk menvektorkan fungsi tersuai anda menggunakan rangka kerja vektorisasi NumPy. Pendekatan ini melibatkan mencipta fungsi baharu yang boleh digunakan mengikut elemen pada tatasusunan:

import numpy as np

def my_function(x):
    # Define your custom function

x = np.array([1, 2, 3, 4, 5])
my_vectorized_function = np.vectorize(my_function)
squares = my_vectorized_function(x)  # Most efficient, but may not always be possible

Pertimbangan Prestasi

Pilihan kaedah bergantung pada faktor seperti saiz tatasusunan, kerumitan fungsi dan sama ada NumPy menyediakan versi vektor fungsi. Untuk tatasusunan kecil dan fungsi mudah, pemahaman tatasusunan atau peta mungkin mencukupi. Untuk tatasusunan yang lebih besar atau fungsi yang lebih kompleks, menggunakan fungsi NumPy asli atau pengvektoran disyorkan untuk kecekapan optimum.

Atas ialah kandungan terperinci Apakah cara yang paling berkesan untuk memetakan fungsi kepada tatasusunan NumPy?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!