Я пытаюсь умножить каждое из условий в 2D массиве по соответствующим условиям в 1D массив. Это очень легко, если я хочу умножить каждый столбец на 1D массив, как показано в функции numpy.multiply. Но я хочу сделать противоположное, умножить каждый термин в строке. Другими словами, я хочу умножиться:
[1,2,3] [0]
[4,5,6] * [1]
[7,8,9] [2]
и доберитесь
[0,0,0]
[4,5,6]
[14,16,18]
но вместо этого я добираюсь
[0,2,6]
[0,5,12]
[0,8,18]
Кто-либо знает, существует ли изящный способ сделать это с numpy? Большое спасибо, Alex
Нормальное умножение как Вы показало:
>>> import numpy as np
>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> m * c
array([[ 0, 2, 6],
[ 0, 5, 12],
[ 0, 8, 18]])
, Если Вы добавляете ось, она умножит способ, которым Вы хотите:
>>> m * c[:, np.newaxis]
array([[ 0, 0, 0],
[ 4, 5, 6],
[14, 16, 18]])
Вы могли также транспонировать дважды:
>>> (m.T * c).T
array([[ 0, 0, 0],
[ 4, 5, 6],
[14, 16, 18]])
Я сравнил различные варианты для скорости и нашел, что †“к моему большому удивлению †“все опции (кроме diag
) одинаково быстры. Я лично использую
A * b[:, None]
(или (A.T * b).T
), потому что это коротко.
Код для репродуцирования графика:
import numpy
import perfplot
def newaxis(data):
A, b = data
return A * b[:, numpy.newaxis]
def none(data):
A, b = data
return A * b[:, None]
def double_transpose(data):
A, b = data
return (A.T * b).T
def double_transpose_contiguous(data):
A, b = data
return numpy.ascontiguousarray((A.T * b).T)
def diag_dot(data):
A, b = data
return numpy.dot(numpy.diag(b), A)
def einsum(data):
A, b = data
return numpy.einsum("ij,i->ij", A, b)
perfplot.save(
"p.png",
setup=lambda n: (numpy.random.rand(n, n), numpy.random.rand(n)),
kernels=[
newaxis,
none,
double_transpose,
double_transpose_contiguous,
diag_dot,
einsum,
],
n_range=[2 ** k for k in range(14)],
logx=True,
logy=True,
xlabel="len(A), len(b)",
)
Для тех потерянных душ на Google, с помощью numpy.expand_dims
затем numpy.repeat
будет работать и будет также работать в более высоких размерных случаях (т.е. умножение формы (10, 12, 3) (10, 12)).
>>> import numpy
>>> a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = numpy.array([0,1,2])
>>> b0 = numpy.expand_dims(b, axis = 0)
>>> b0 = numpy.repeat(b0, a.shape[0], axis = 0)
>>> b1 = numpy.expand_dims(b, axis = 1)
>>> b1 = numpy.repeat(b1, a.shape[1], axis = 1)
>>> a*b0
array([[ 0, 2, 6],
[ 0, 5, 12],
[ 0, 8, 18]])
>>> a*b1
array([[ 0, 0, 0],
[ 4, 5, 6],
[14, 16, 18]])
Почему Вы просто не делаете
>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> (m.T * c).T
??
Вы могли также использовать умножение матриц (иначе скалярное произведение):
a = [[1,2,3],[4,5,6],[7,8,9]]
b = [0,1,2]
c = numpy.diag(b)
numpy.dot(c,a)
то, Которое более изящно, является, вероятно, вопросом вкуса.
Еще один прием (с v1.6)
A=np.arange(1,10).reshape(3,3)
b=np.arange(3)
np.einsum('ij,i->ij',A,b)
я являюсь опытным с numpy широковещательная передача (newaxis
), но я все еще нахожу свой путь вокруг этого нового einsum
инструмент. Таким образом, у меня была игра вокруг немного для нахождения этого решения.
Синхронизации (использующий Ipython timeit):
einsum: 4.9 micro
transpose: 8.1 micro
newaxis: 8.35 micro
dot-diag: 10.5 micro
Кстати, изменение i
к j
, np.einsum('ij,j->ij',A,b)
, производит матрицу, которую не хочет Alex. И np.einsum('ji,j->ji',A,b)
делает, в действительности, двойные транспонируют.