NumPy 배열에 함수를 매핑하는 가장 효율적인 방법은 무엇입니까?

효율적인 Numpy 배열 매핑 전략

Numpy 배열을 통한 기능 매핑에서는 성능 효율성이 매우 중요합니다. 한 가지 근본적인 질문이 생깁니다. "매핑 작업에 가장 효율적인 접근 방식은 무엇입니까?"

비효율적인 접근 방식: Python 목록 이해

질문에 제공된 예는 목록을 활용합니다. 이해:

squares = np.array([squarer(xi) for xi in x])

이 접근 방식은 작동하지만 중간 변환으로 인해 본질적인 비효율성을 갖습니다. Python 목록을 Numpy 배열로 다시 변환합니다.

최적화된 전략

다양한 방법을 테스트하여 최적의 솔루션이 나타납니다.

1. 내장 Numpy 함수 사용:

매핑하려는 함수가 Numpy에서 이미 벡터화되어 있는 경우(예: x^2) 이를 직접 사용하면 뛰어난 성능을 얻을 수 있습니다.

squares = x ** 2

2. numpy.Vectorize를 사용한 벡터화:

사용자 지정 기능의 경우 numpy.Vectorize를 사용한 벡터화는 상당한 속도 향상을 보여줍니다.

f = lambda x: x ** 2
vf = np.vectorize(f)
squares = vf(x)

3. numpy.fromiter:

이 접근 방식은 함수에서 반복자를 생성하고 numpy.fromiter를 사용하여 Numpy 배열을 효율적으로 구성합니다:

squares = np.fromiter((squarer(xi) for xi in x), x.dtype)

4. numpy.array(list(map(...)):

또 다른 최적화된 대안은 map을 사용한 다음 이를 Numpy 배열로 변환하는 것입니다.

squares = np.array(list(map(squarer, x)))

벤치마크 수행 perfplot을 사용하면 이러한 최적화된 방법이 원래 목록 이해 방식보다 훨씬 뛰어난 성능을 발휘한다는 것을 알 수 있습니다.

위 내용은 NumPy 배열에 함수를 매핑하는 가장 효율적인 방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!