Numpy 배열에서 곱셈

Numpy 배열에서 곱셈

저는 2D 배열의 각 항에 1D 배열의 해당 항을 곱하려고 합니다.Numpy에 표시된 것처럼 모든 열에 1D 배열을 곱하고 싶다면 매우 쉽습니다.곱셈 함수하지만 저는 반대로 행에 있는 각 항을 곱하고 싶습니다.다시 말해서, 저는 다음을 곱하고 싶습니다.

[1,2,3]   [0]
[4,5,6] * [1]
[7,8,9]   [2]

그리고 구함

[0,0,0]
[4,5,6]
[14,16,18]

하지만 대신에 나는.

[0,2,6]
[0,5,12]
[0,8,18]

바보 같은 짓을 할 수 있는 우아한 방법이 있는지 아는 사람?정말 고마워, 알렉스

당신이 보여준 것과 같은 정규 곱셈:

>>> 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]])

축을 추가하면 원하는 방식으로 증가합니다.

>>> m * c[:, np.newaxis]
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

다음과 같이 두 번 전치할 수도 있습니다.

>>> (m.T * c).T
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

여러 가지 속도 옵션을 비교해 본 결과 놀랍게도 모든 옵션이diag)도 마찬가지로 빠릅니다.개인적으로 사용합니다.

A * b[:, None]

(또는)(A.T * b).T짧기 때문입니다.

---

그림을 재현하는 코드:

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(13)],
    xlabel="len(A), len(b)",
)

행렬 곱셈(일명 도트 곱)을 사용할 수도 있습니다.

a = [[1,2,3],[4,5,6],[7,8,9]]
b = [0,1,2]
c = numpy.diag(b)

numpy.dot(c,a)

어느 것이 더 우아한지는 아마도 취향의 문제일 것입니다.

또 다른 트릭(v1.6 기준)

A=np.arange(1,10).reshape(3,3)
b=np.arange(3)

np.einsum('ij,i->ij',A,b)

저는 바보 같은 방송에 능숙합니다.newaxis), 하지만 저는 여전히 이 새로운 것을 피하는 방법을 찾고 있습니다.einsum도구입니다. 그래서 저는 이 해결책을 찾기 위해 약간의 시간을 보냈습니다.

시간(Ipython time it 사용):

einsum: 4.9 micro
transpose: 8.1 micro
newaxis: 8.35 micro
dot-diag: 10.5 micro

덧붙여서, 변경하는 것은i로.j,np.einsum('ij,j->ij',A,b)알렉스가 원하지 않는 매트릭스를 만들어냅니다.np.einsum('ji,j->ji',A,b)사실상, 이중 전치를 합니다.

구글에서 잃어버린 영혼들을 위해, 사용.numpy.expand_dims그리고나서numpy.repeat는 작동하며, 고차원적인 경우에도 작동합니다(즉, 형상(10, 12, 3)에 a를 곱한 경우).

>>> 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]])

행 배열을 열 배열로 변환해야 하지만, 전치는 그렇지 않습니다.대신 모양 바꾸기 사용:

>>> import numpy as np
>>> a = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = np.array([0,1,2])
>>> a * b
array([[ 0,  2,  6],
       [ 0,  5, 12],
       [ 0,  8, 18]])

모양 변경:

>>> a * b.reshape(-1,1)
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

그냥 하는 게 어때요?

>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> (m.T * c).T

??

언급URL : https://stackoverflow.com/questions/18522216/multiplying-across-in-a-numpy-array