假设我们有一个接受 Numpy 数组并返回另一个数组的 Python 函数:
import numpy as np
def f(x, y, method='p'):
"""Parameters: x (np.ndarray) , y (np.ndarray), method (str)
Returns: np.ndarray"""
z = x.copy()
if method == 'p':
mask = x < 0
else:
mask = x > 0
z[mask] = 0
return z*y
虽然实际的实现并不重要。我们可以假设 x 和 y 将始终是相同形状的数组,并且输出与 x 的形状相同。
问题是包装此类函数的最简单/最优雅的方式是什么,以便它可以与 ND 数组 (N>1) 和标量参数一起使用,其方式有点类似于 universal functions in Numpy .
例如,上述函数的预期输出应该是,
In [1]: f_ufunc(np.arange(-1,2), np.ones(3), method='p')
Out[1]: array([ 0., 0., 1.]) # random array input -> output of the same shape
In [2]: f_ufunc(np.array([1]), np.array([1]), method='p')
Out[2]: array([1]) # array input of len 1 -> output of len 1
In [3]: f_ufunc(1, 1, method='p')
Out[3]: 1 # scalar input -> scalar output
函数
f无法更改,如果给定x或y的标量参数,它将失败。当
x和y是标量时,我们将它们转换为一维数组,进行计算,然后在最后将它们转换回标量。f针对数组进行了优化,标量输入主要是为了方便。因此,编写一个使用标量的函数然后使用np.vectorize或np.frompyfunc是 Not Acceptable 。
实现的开始可能是,
def atleast_1d_inverse(res, x):
# this function fails in some cases (see point 1 below).
if res.shape[0] == 1:
return res[0]
else:
return res
def ufunc_wrapper(func, args=[]):
""" func: the wrapped function
args: arguments of func to which we apply np.atleast_1d """
# this needs to be generated dynamically depending on the definition of func
def wrapper(x, y, method='p'):
# we apply np.atleast_1d to the variables given in args
x = np.atleast_1d(x)
y = np.atleast_1d(x)
res = func(x, y, method='p')
return atleast_1d_inverse(res, x)
return wrapper
f_ufunc = ufunc_wrapper(f, args=['x', 'y'])
这主要是有效的,但会失败上面的测试 2,产生标量输出而不是矢量输出。如果我们想解决这个问题,我们需要对输入类型添加更多测试(例如 isinstance(x, np.ndarray)、x.ndim>0等),但我害怕忘记那里的一些极端情况。此外,上述实现不够通用,无法用不同数量的参数包装一个函数(参见下面的第 2 点)。
这似乎是一个相当普遍的问题,在使用 Cython/f2py 函数时,我想知道在某个地方是否有通用的解决方案?
编辑:在@hpaulj 的评论之后更精确一些。本质上,我在寻找
一个与
np.atleast_1d相反的函数,例如atleast_1d_inverse( np.atleast_1d(x), x) == x,其中第二个参数仅用于确定原始对象x的类型或维数.返回 numpy 标量(即具有ndim = 0的数组)而不是 python 标量是可以的。一种检查函数 f 并生成与其定义一致的包装器的方法。例如,这样的包装器可以用作,
f_ufunc = ufunc_wrapper(f, args=['x', 'y'])如果我们有一个不同的函数
def f2(x, option=2): return x**2,我们也可以使用f2_ufunc = ufunc_wrapper(f2, args=['x'])。
注意:与 ufunc 的类比可能有点受限,因为这对应于相反的问题。我没有将标量函数转换为同时接受向量和标量输入,而是设计了一个函数来处理向量(可以看作是之前向量化的东西),我想再次接受标量,而不改变原始函数。
请您参考如下方法:
这并没有完全回答使矢量化函数真正表现得像 ufunc 的问题,但我最近确实对 numpy.vectorize 遇到了一点烦恼听起来与您的问题相似。该包装器坚持返回一个数组(ndim=0 和shape=()),即使传递了标量输入也是如此。
但看起来下面的做法是对的。在这种情况下,我对一个简单函数进行矢量化,以将浮点值返回到一定数量的有效数字。
def signif(x, digits):
return round(x, digits - int(np.floor(np.log10(abs(x)))) - 1)
def vectorize(f):
vf = np.vectorize(f)
def newfunc(*args, **kwargs):
return vf(*args, **kwargs)[()]
return newfunc
vsignif = vectorize(signif)
这给出了
>>> vsignif(0.123123, 2)
0.12
>>> vsignif([[0.123123, 123.2]], 2)
array([[ 0.12, 120. ]])
>>> vsignif([[0.123123, 123.2]], [2, 1])
array([[ 0.12, 100. ]])
