高效的 Numpy 數組映射策略
當涉及 Numpy 數組上的映射函數時，效能效率至關重要。出現了一個基本問題：「映射操作最有效的方法是什麼？」
低效方法：Python 列表理解
問題中提供的範例使用了一個列表理解：
squares = np.array([squarer(xi) for xi in x])
雖然這種方法有效，但由於從a 的中間轉換，它具有固有的低效率。 Python列表傳回Numpy數組。
最佳化策略
測試各種方法，出現最佳解決方案：
1.使用內建Numpy 函數：
如果您要對應的函數已在Numpy 中進行向量化（例如x^2），則直接使用它可提供卓越的性能：
squares = x ** 2
2。使用numpy.vectorize 進行向量化：
對於自訂函數，使用numpy.vectorize 進行向量化顯示出顯著的速度提升：
f = lambda x: x ** 2 vf = np.vectorize(f) squares = vf(x)
3 。 numpy.fromiter:
此方法從函數建立迭代器，並使用 numpy.fromiter 高效地建構 Numpy 陣列：
squares = np.fromiter((squarer(xi) for xi in x), x.dtype)
4。 numpy.array(list(map(...)):
另一個最佳化的替代方案是使用map，然後將其轉換為Numpy陣列：
squares = np.array(list(map(squarer, x)))
進行的基準測試使用perfplot 證明這些最佳化方法明顯優於原始列表理解方法。
以上是在 NumPy 數組上映射函數的最有效方法是什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
