np.vectorize и np.apply_along_axis дважды передают один и тот же аргумент в функцию отображения

Question

Я хочу отобразить функцию f на массив строк. Я создаю векторизованную версию f и применяю ее к моему массиву. Но первый элемент массива передается дважды:

import numpy as np

def f(string):
    print('called with', string)

a = np.array(['110', '012'])

fv = np.vectorize(f)
np.apply_along_axis(fv, axis=0, arr=a)


called with 110
called with 110
called with 012

Почему это? Я не ожидал, что 110 будет передан f два раза, и я не понимаю, почему это так.

Каково мое неправильное представление о np.vectorize или np.apply_along_axis?

Answer 1

In [145]: def f(string):
     ...:     print('called with', string)
     ...: 
     ...: a = np.array(['110', '012'])
     ...: 
     ...: fv = np.vectorize(f)
     ...: 
In [146]: fv(a)
called with 110
called with 110
called with 012
Out[146]: array([None, None], dtype=object)

Функция только с печатью возвращает None.vectorized вызвал его один раз, чтобы определить возвращаемый dtype - в этом случае он вывел object.

Если мы укажем otypes как int, мы получим ошибку:

In [147]: fv = np.vectorize(f, otypes=[int])
In [148]: fv(a)
called with 110
called with 012
---------------------------------------------------------------------------
...    
TypeError: int() argument must be a string, a bytes-like object or a number, not 'NoneType'

То, что otypes не было совместимо с возвращенным объектом

In [149]: fv = np.vectorize(f, otypes=[object])
In [150]: fv(a)
called with 110
called with 012
Out[150]: array([None, None], dtype=object)

Лучшая и немного более значимая функция:

In [151]: def f(string):
     ...:     print('called with', string)
     ...:     return len(string)
     ...: 
     ...: 
In [152]: fv = np.vectorize(f, otypes=[int])
In [153]: fv(a)
called with 110
called with 012
Out[153]: array([3, 3])

Имейте в виду, что vectorize проходит скалярзначения для вашей функции.В действительности он оценивает каждый элемент входных массивов, возвращая массив с соответствующей формой:

In [154]: fv(np.array([a,a,a]))
called with 110
called with 012
called with 110
called with 012
called with 110
called with 012
Out[154]: 
array([[3, 3],
       [3, 3],
       [3, 3]])

По сравнению с простой итерацией, например.np.array([f(i) for i in a]), это медленнее, но немного удобнее, если входной массив может иметь несколько измерений, и даже лучше, если есть несколько массивов, которые необходимо транслировать друг против друга.

Для простого одного массиванапример, a, np.vectorize является избыточным.

---

vectorize имеет другой параметр, cache, который может избежать этого двойного вызова, но в то же время допускает автоматическое определение типа d:

In [156]: fv = np.vectorize(f, cache=True)
In [157]: fv(a)
called with 110
called with 012
Out[157]: array([3, 3])

Автоматическое определение типа d иногда вызывало ошибки.Например, если пробный расчет возвращает другой тип d:

In [160]: def foo(var):
     ...:     if var<0:
     ...:         return -var
     ...:     elif var>0:
     ...:         return var
     ...:     else:
     ...:         return 0  

In [161]: np.vectorize(foo)([0,1.2, -1.2])
Out[161]: array([0, 1, 1])           # int dtype
In [162]: np.vectorize(foo)([0.1,1.2, -1.2])
Out[162]: array([0.1, 1.2, 1.2])     # float dtype

---

apply_along_axis принимает функцию, которая принимает массив 1d.Он перебирает все остальные измерения, передавая набор 1d-срезов в вашу функцию.Для 1d-массива, подобного вашему a, это не поможет.И даже если ваш a был, это не очень поможет.Ваш fv не ожидает ввода 1d.

Он также выполняет пробный расчет для определения формы возвращаемого массива и типа d.Это автоматически кеширует этот результат.

Как и vectorize, apply_along_axis - это удобный инструмент, а не инструмент производительности.

Сравните

np.apply_along_axis(fv, axis=0, arr=[a,a,a])
np.apply_along_axis(fv, axis=1, arr=[a,a,a])

, чтобы понять, как apply_along влияетпорядок оценки.

Или сделать что-то с целым row (или столбцом) с помощью:

np.apply_along_axis(lambda x: fv(x).mean(), axis=0, arr=[a,a,a])

Answer 2

Из документов :

Тип данных для вывода векторизация определяется путем вызова функции с первым элементом ввода. Этого можно избежать, указав аргумент otypes .

Дополнительный вызов выполняется для определения выходного dtype.