所以，我有一段脚本:
lol = []
latv1 = 0
latv2 = 0
latv3 = 0
#Loop a
for a in range(100):
#Refresh latv2 after each iteration of loop a
latv2 = 0
#Loop b
for b in range(100):
#Refresh latv3 after each iteration of loop b
latv3 = 0
#Loop c
for c in range(100):
#Make 4 value list according to iteration and append to lol
midl2 = [latv1,latv2,latv3,0]
lol.append(midl2)
#Iterate after loop
latv3 = latv3 + 1
latv2 = latv2 + 1
latv1 = latv1 + 1
它会做我想让它做的事....但是非常慢。它给出:
[[0,0,0,0]
[0,0,1,0]
...
[0,1,0,0]
[0,1,1,0]
...
[9,9,8,0]
[9,9,9,0]]
我读过有关 numpy 及其速度和优化的文章。我无法弄清楚如何用 numpy 实现上面的内容。我已经通过手册学习了如何使用 numpy 制作一个零数组:
numpy_array = np.zeroes((100,4))
给予:
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
...,
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
并且可以更改每列的值:
numpA = np.arange(0,100,1)
numpB = np.arange(0,100,1
numpC = np.arange(0,100,1)
numArr[:,0] = numpA
numArr[:,1] = numpB
numArr[:,2] = numpC
给予:
[[ 0. 0. 0. 0.]
[ 1. 1. 1. 0.]
[ 2. 2. 2. 0.]
...,
[ 997. 997. 997. 0.]
[ 998. 998. 998. 0.]
[ 999. 999. 999. 0.]]
但我无法创建一个 1000000 行长的 numpy 数组，并且无法像原始示例那样使列递增。如果我用 1000000 而不是 100 调用零数组创建，则列替换不起作用，这是有道理的，因为数组的长度和替换不相等 - 但我不确定如何正确地迭代替换数组以使其工作。
如何复制通过 numpy 数组输出的原始脚本？
注意:这是一台 python 2.7 机器，但至少是 64 位。我知道 RAM 使用是一个问题，但我应该能够更改数组的 dtype 以满足我的需要。
请您参考如下方法:
方法 #1
要创建与已发布代码等效的 NumPy 并将 NumPy 数组作为输出，您还可以使用 itertools , 像这样 -
from itertools import product
out = np.zeros((N**3,4),dtype=int)
out[:,:3] = list(product(np.arange(N), repeat=3))
请注意，它是 N = 100 以使其等同于发布的代码。
方法 #2
另一种可能更快的方法基于纯 NumPy 并使用它的矢量化 broadcasting可以像这样建议功能 -
out = np.zeros((N**3,4),dtype=int)
out[:,:3] = (np.arange(N**3)[:,None]/[N**2,N,1])%N
我认为这比之前基于 itertools 的方法更快，因为它创建了一个要设置到 NumPy 数组中的元组列表。我们将在下一节中检验这一理论。
运行时测试
In [111]: def itertools_based(N):
...: out = np.zeros((N**3,4),dtype=int)
...: out[:,:3] = list(product(np.arange(N), repeat=3))
...: return out
...:
...: def broadcasting_based(N):
...: out = np.zeros((N**3,4),dtype=int)
...: out[:,:3] = (np.arange(N**3)[:,None]/[N**2,N,1])%N
...: return out
In [112]: N = 20
In [113]: np.allclose(itertools_based(N),broadcasting_based(N)) # Verify results
Out[113]: True
In [114]: %timeit itertools_based(N)
100 loops, best of 3: 7.42 ms per loop
In [115]: %timeit broadcasting_based(N)
1000 loops, best of 3: 1.23 ms per loop
现在，让我们为那些迭代元素的元组列表的创建计时，并将其与基于 NumPy 的列表进行比较 -
In [116]: %timeit list(product(np.arange(N), repeat=3))
1000 loops, best of 3: 746 µs per loop
In [117]: %timeit (np.arange(N**3)[:,None]/[N**2,N,1])%N
1000 loops, best of 3: 1.09 ms per loop
好吧，itertools-based 的创建部分现在更快了，正如之前预测/想到的那样!因此，如果您对前三列作为输出感到满意并且它们是元组列表，那么请使用 itertools。
