Python+numpy实现函数向量化

Python本身对向量操作的支持并不是很好，需要借助列表推导式或函数式编程来实现，例如：

>>> import random

# 生成随机测试数据

>>> x = random.sample(range(1000), 5) >>> y = random.sample(range(1000), 5)

# 列表推导式，模拟向量减法

>>> [vecX-vecY for vecX, vecY in zip(x,y)] [-171, -370, -66, 282, 231]

# 列表推导式，模拟向量减法

>>> f = lambda a, b: a-b >>> [f(a,b) for a, b in zip(x,y)] [-171, -370, -66, 282, 231]

# 函数式编程，map，模拟向量加法

>>> list(map(lambda a, b: a+b, x, y)) [1067, 488, 1486, 998, 327]

Python扩展库numpy本身提供的大量函数都具有向量化的特点，并且可以把普通的Python函数向量化，可以使得Python操作向量更方便： >>> import numpy as np

# 定义一个普通的减法函数 >>> def sub(a, b): return a-b

# 把减法函数向量化

>>> vecSub = np.vectorize(sub) >>> print(vecSub(x,y)) [-171 -370 -66 282 231]

# 把加法lambda表达式向量化

>>> vecAdd = np.vectorize(lambda a, b: a+b) >>> print(vecAdd(x,y)) [1067 488 1486 998 327]