In MATLAB e Numpy, gli array possono essere indicizzati dagli array. Tuttavia, il comportamento è diverso. Lasciatemi spiegare questo con un esempio.Indicizzazione array simile a MATLAB con Numpy
MATLAB:
>> A = rand(5,5)
A =
0.1622 0.6020 0.4505 0.8258 0.1067
0.7943 0.2630 0.0838 0.5383 0.9619
0.3112 0.6541 0.2290 0.9961 0.0046
0.5285 0.6892 0.9133 0.0782 0.7749
0.1656 0.7482 0.1524 0.4427 0.8173
>> A([1,3,5],[1,3,5])
ans =
0.1622 0.4505 0.1067
0.3112 0.2290 0.0046
0.1656 0.1524 0.8173
Numpy:
In [2]: A = arange(25).reshape((5,5))
In [3]: A
Out[3]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])
In [6]: A[[0,2,4], [0,2,4]]
Out[6]: array([ 0, 12, 24])
In parole: MATLAB seleziona righe e colonne, NumPy "cerniere" i due array di indice e utilizza le tuple per puntare a voci.
Come posso ottenere il comportamento di MATLAB con Numpy?
Questo è in realtà abbastanza inefficiente. Richiede la creazione di una matrice temporanea in memoria che può essere abbastanza grande a seconda delle dimensioni degli array con cui si sta lavorando. Esistono diversi modi più efficienti per farlo, incluso l'utilizzo della funzione helper ix_. –
Sì, tutto corretto. D'altra parte, la cosa costruita da 'ix_' è anche piuttosto grande, anche se temporanea. Ho fatto alcuni esperimenti di temporizzazione per un array 5x5 come nella domanda originale, con i seguenti risultati. '[,:] [:,]' è circa il 25% più veloce di '[ix _()]', ma se stai usando gli stessi indici ogni volta poi costruisci un array di indicizzazione * una volta * con 'ix_' e riutilizzalo è circa 10 volte più veloce, anche se ovviamente si paga un costo nell'utilizzo della memoria. –
np.ix_, nella maggior parte dei casi, utilizza solo una quantità insignificante di memoria perché restituisce le visualizzazioni dei suoi argomenti. Anche np.ix_ è un'operazione a tempo costante mentre A [I1,:] [:, I2] è ~ n^2 sia in termini di tempo che di utilizzo della memoria. Ma se hai davvero bisogno di un incremento delle prestazioni del 25% sul tuo array 5x5, devi fare quello che devi fare. –