Skip to main content
 首页 » 编程设计

python之在 numpy 中重复 matlab dyadup

2025年05月04日13emanlee

我正在尝试在 numpy 中复制来自 Matlab 的 dyadup 函数。有没有比 np.insert() 更有效的方法?

import numpy as np 
 
def dyadup(a, level=1, even=False): 
    if even == False: 
        start = 1 
        end = len(a) + 1 
    else: 
        start = 0 
        end = len(a) 
    x = a 
    for l in range(level): 
      x = np.insert(x, range(start, end), 0) 
    return x 

使用初始 1024 元素数组对此进行快速计时,我得出每个循环 14.2 微秒的最佳时间,这还不错,但我想知道是否可以做得更好。

谢谢!

请您参考如下方法:

一个更有效的写法是:

import numpy as np 
 
def dyadup(a, level=1, even=False): 
    level += 1 
    start = 1 if even else 0 
    out = np.zeros(len(a) * level, dtype=a.dtype) 
    out[start::level] = a 
    return out 

更多详情

让我稍微分解一下。

在python(类似于Matlab)中,我们可以通过切片操作来引用或提取某物的规则间隔项。例如:

In [1]: import numpy as np 
 
In [2]: x = np.arange(10) 
 
In [3]: x 
Out[3]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 
 
In [4]: x[::2] 
Out[4]: array([0, 2, 4, 6, 8]) 
 
In [5]: x[1::2] 
Out[5]: array([1, 3, 5, 7, 9]) 
 
In [6]: x[1::3] 
Out[6]: array([1, 4, 7]) 

我们还可以使用它来将项目分配给数组:

In [7]: y = np.zeros(10) 
 
In [8]: y 
Out[8]: array([ 0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.,  0.]) 
 
In [9]: y[1::3] = 9 
 
In [10]: y 
Out[10]: array([ 0.,  9.,  0.,  0.,  9.,  0.,  0.,  9.,  0.,  0.]) 
 
In [11]: y[1::3] = 4, 5, 6 
 
In [12]: y 
Out[12]: array([ 0.,  4.,  0.,  0.,  5.,  0.,  0.,  6.,  0.,  0.]) 

因此,我们可以这样做:

In [13]: data = np.random.random(5) 
 
In [14]: data 
Out[14]: array([ 0.05458934,  0.97719278,  0.49670205,  0.87299456,  0.2223557 ]) 
 
In [15]: interleaved = np.zeros(len(data) * 2) 
 
In [16]: interleaved[::2] = data 
 
In [17]: interleaved 
Out[17]:  
array([ 0.05458934,  0.        ,  0.97719278,  0.        ,  0.49670205, 
        0.        ,  0.87299456,  0.        ,  0.2223557 ,  0.        ]) 

对于大型数组,这比使用 insert 更有效,因为每次调用 insert 时都会复制数组。


时机

以时间差为例

In [2]: data = np.arange(10000) 
 
In [3]: %timeit dyadup(data) 
10000 loops, best of 3: 33 µs per loop 
 
In [4]: %timeit orig_dyadup(data) 
100 loops, best of 3: 2.21 ms per loop 

注意微观与毫微。新的实现速度快了约 100 倍。


进一步的考虑

另外,请注意不要修改您的输入。在 python 中,x = a 不会复制 a。 x 是同一个对象,所以对 x 的任何修改也是对 a 的修改。

在这种特定情况下,np.insert 会创建一个副本,因此您最终不会修改输入,但在其他情况下您会这样做。


最后请注意,如果我正确理解了您的原始函数的意图,那么如果 level 大于 1,则它是不正确的。

例如:

In [5]: orig_dyadup(range(10), 3) 
Out[5]:  
array([0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 0, 3, 
       0, 0, 0, 4, 0, 0, 0, 5, 0, 6, 0, 7, 0, 8, 0, 9, 0]) 

对比

In [6]: dyadup(range(10), 3) 
Out[6]:  
array([0, 0, 0, 0, 1, 0, 0, 0, 2, 0, 0, 0, 3, 0, 0, 0, 4, 0, 0, 0, 5, 0, 0, 
       0, 6, 0, 0, 0, 7, 0, 0, 0, 8, 0, 0, 0, 9, 0, 0, 0]) 

差异的发生是因为您在迭代时修改了某些内容,但在插入时引用了原始项目的索引。但是,我可能误解了您的意图。