具有非标量输出的 Numpy 矢量化函数

我正在尝试对输出列表的函数进行矢量化。我希望将 numpy 列表中的所有值提供给它，并让它返回一个矩阵，这样每一行都是输入向量中元素的输出。

import numpy as np

def func(x, n):
    o = []
    for i in range(n):
        o.append(x+i)
    return o

vec_func = np.vectorize(func)
matrix = vec_func(np.asarray([0, 1, 2]), 10)

但是我收到错误

ValueError：使用序列设置数组元素。

我怎样才能解决这个问题？

frompyfunc可能会更好：

In [525]: def fun(x):
     ...:     return x+.1, x+.2, x+.3
     ...: 

我指定 1 个输入、3 个输出值。它返回 dtype 对象：

In [526]: np.frompyfunc(fun,1,3)(np.arange(5))
Out[526]: 
(array([0.1, 1.1, 2.1, 3.1, 4.1], dtype=object),
 array([0.2, 1.2, 2.2, 3.2, 4.2], dtype=object),
 array([0.3, 1.3, 2.3, 3.3, 4.3], dtype=object))

这是一个由 3 个数组组成的元组。它们可以变成一个二维数组stack:

In [527]: np.stack(_, 1)
Out[527]: 
array([[0.1, 0.2, 0.3],
       [1.1, 1.2, 1.3],
       [2.1, 2.2, 2.3],
       [3.1, 3.2, 3.3],
       [4.1, 4.2, 4.3]], dtype=object)

我可以更进一步astype(float).

当然，我认为这是一个玩具功能。对于这么简单的事情没有必要使用vectorize.

In [528]: fun(np.arange(5))
Out[528]: 
(array([ 0.1,  1.1,  2.1,  3.1,  4.1]),
 array([ 0.2,  1.2,  2.2,  3.2,  4.2]),
 array([ 0.3,  1.3,  2.3,  3.3,  4.3]))

所有这些vectorize需求是otypes范围：

In [536]: np.vectorize(fun, otypes='ddd')(np.arange(5))
Out[536]: 
(array([ 0.1,  1.1,  2.1,  3.1,  4.1]),
 array([ 0.2,  1.2,  2.2,  3.2,  4.2]),
 array([ 0.3,  1.3,  2.3,  3.3,  4.3]))

如果函数返回一个数组而不是元组或列表，我们可以使用signature:

In [546]: def fun(x):
     ...:     return np.array([x+.1, x+.2, x+.3])

In [547]: np.vectorize(fun, signature='()->(n)')(np.arange(5))
Out[547]: 
array([[ 0.1,  0.2,  0.3],
       [ 1.1,  1.2,  1.3],
       [ 2.1,  2.2,  2.3],
       [ 3.1,  3.2,  3.3],
       [ 4.1,  4.2,  4.3]])

或者对于原始的元组/列表情况，将其包装在 lambda 中，np.vectorize(lambda x:np.array(fun(x)), signature='()->(n)')

经验表明，frompyfunc方法是最快的。vectorize使用 otypes 有点慢（但它使用frompyfunc). signature是较新的方法，使用不同的代码，并且速度稍慢。

与你的新func, the signature方法仍然有效。我添加了excluded所以它不会尝试broadcast the n争论：

In [553]: np.vectorize(lambda x,n:np.array(func(x,n)), signature='()->(n)',excluded=[1])(np.arange(5),3)
Out[553]: 
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4],
       [3, 4, 5],
       [4, 5, 6]])
In [554]: np.vectorize(lambda x,n:np.array(func(x,n)), signature='()->(n)',excluded=[1])(np.arange(5),7)
Out[554]: 
array([[ 0,  1,  2,  3,  4,  5,  6],
       [ 1,  2,  3,  4,  5,  6,  7],
       [ 2,  3,  4,  5,  6,  7,  8],
       [ 3,  4,  5,  6,  7,  8,  9],
       [ 4,  5,  6,  7,  8,  9, 10]])