就地映射 NumPy 数组

是否可以将 NumPy 数组映射到位？如果是，怎么办？

Given a_values- 2D 数组 - 这是目前对我有用的代码：

for row in range(len(a_values)):
    for col in range(len(a_values[0])):
        a_values[row][col] = dim(a_values[row][col])

但它太丑陋了，我怀疑 NumPy 中的某个地方一定有一个函数可以对类似的东西做同样的事情：

a_values.map_in_place(dim)

但如果存在类似上述的东西，我一直无法找到它。

只有在空间有限的情况下才值得尝试就地执行此操作。如果是这种情况，可以通过迭代数组的扁平视图来稍微加快代码速度。自从reshape返回一个新视图如果可能 http://docs.scipy.org/doc/numpy/reference/generated/numpy.reshape.html，数据本身不会被复制（除非原始数据具有不寻常的结构）。

我不知道有什么更好的方法来实现任意 Python 函数的真正就地应用。

>>> def flat_for(a, f):
...     a = a.reshape(-1)
...     for i, v in enumerate(a):
...         a[i] = f(v)
... 
>>> a = numpy.arange(25).reshape(5, 5)
>>> flat_for(a, lambda x: x + 5)
>>> a

array([[ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19],
       [20, 21, 22, 23, 24],
       [25, 26, 27, 28, 29]])

一些时间安排：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> f = lambda x: x + 5
>>> %timeit flat_for(a, f)
1000 loops, best of 3: 1.86 ms per loop

它的速度大约是嵌套循环版本的两倍：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> def nested_for(a, f):
...     for i in range(len(a)):
...         for j in range(len(a[0])):
...             a[i][j] = f(a[i][j])
... 
>>> %timeit nested_for(a, f)
100 loops, best of 3: 3.79 ms per loop

当然，矢量化仍然更快，所以如果您可以制作副本，请使用它：

>>> a = numpy.arange(2500).reshape(50, 50)
>>> g = numpy.vectorize(lambda x: x + 5)
>>> %timeit g(a)
1000 loops, best of 3: 584 us per loop

如果你可以重写dim使用内置的 ufunc，那么请不要vectorize:

>>> a = numpy.arange(2500).reshape(50, 50)
>>> %timeit a + 5
100000 loops, best of 3: 4.66 us per loop

numpy操作是否像+=正如您所期望的那样，您可以通过就地应用程序免费获得 ufunc 的速度。有时甚至更快！看here https://stackoverflow.com/a/10149508/577088举个例子。

顺便说一句，我对这个问题的原始答案（可以在其编辑历史记录中查看）是荒谬的，并且涉及将索引矢量化为a。它不仅需要做一些时髦的事情来绕过vectorize's 类型检测机制 http://docs.scipy.org/doc/numpy/reference/generated/numpy.vectorize.html#numpy.vectorize，结果证明它和嵌套循环版本一样慢。聪明就这么多了！