Kawałki funkcji na tablicach Numpy

Question

Jaki jest efektywny (szybki) sposób stosowania funkcji Kawałek na macierzy Numpy?

Załóżmy na przykład, funkcje odcinkowo są jak

For (1) : x<=2 f(x) = 2*x + x^2 
    (2) : x>2 f(x) = -(x^2 + 2) 

Oto co zrobiłem.

data = np.random.random_integers(5, size=(5,6)) 
print data 
np.piecewise(data, [data <= 2, data > 2], 
      [lambda x: 2*x + pow(2, x), 
       lambda x: -(pow(x, 2) + 2)]) 

data = 
[[4 2 1 1 5 3] 
[4 3 3 5 4 5] 
[3 2 4 2 5 3] 
[2 5 4 3 1 4] 
[5 3 3 5 5 5]] 
output = 
array([[-18, 8, 4, 4, -27, -11], 
     [-18, -11, -11, -27, -18, -27], 
     [-11, 8, -18, 8, -27, -11], 
     [ 8, -27, -18, -11, 4, -18], 
     [-27, -11, -11, -27, -27, -27]]) 

Czy istnieje skuteczna metoda dla mniejszych tablic, dużych tablic, wielu funkcji itp? Moje obawy dotyczą wykorzystania funkcji lambda. Nie jestem pewien, czy są one zoptymalizowane Numpy.

Answer 1

W tym przypadku nie powinieneś się martwić o lambdas: optymalizacja Numpy polega na zmniejszeniu narzutów, poprzez umożliwienie funkcji oceny wielu wartości w tym samym czasie w grupie. W każdym wywołaniu np.piecewise, każda funkcja w funclist (części funkcji) jest wywoływana dokładnie raz, z tablicą numpy składającą się ze wszystkich wartości, w których właściwy warunek jest prawdziwy. Tak więc te lambdy są nazywane w sposób zoptymalizowany pod kątem numpy.

Podobny jest np.select (i np.where dla dokładnie dwóch części). Koszt narzutowy jest taki sam, jak jest wektorowany w ten sam sposób, ale oceni wszystkie funkcje dla wszystkich punktów danych. W związku z tym będzie wolniejszy niż np.piecewise, szczególnie gdy funkcje są drogie. W niektórych przypadkach jest to wygodniejsze (brak lambda) i łatwiej można rozszerzyć koncepcję na wiele zmiennych.