为了与“只有一种显而易见的方法”保持一致,如何在Numpy中获得向量(一维数组)的大小?
def mag(x):
return math.sqrt(sum(i**2 for i in x))
上面的方法是有效的,但我不相信我必须自己指定这样一个琐碎而核心的函数。
发布于 2012-02-07 12:54:44
您想要的函数是numpy.linalg.norm
。(我认为它应该在base numpy中作为数组的一个属性--比方说x.norm()
--但是哦,好吧)。
import numpy as np
x = np.array([1,2,3,4,5])
np.linalg.norm(x)
您还可以为您想要的第n阶规范输入一个可选的ord
。假设你想要1-范数:
np.linalg.norm(x,ord=1)
诸若此类。
发布于 2012-02-08 05:52:19
如果你担心速度,你应该改用:
mag = np.sqrt(x.dot(x))
以下是一些基准测试:
>>> import timeit
>>> timeit.timeit('np.linalg.norm(x)', setup='import numpy as np; x = np.arange(100)', number=1000)
0.0450878
>>> timeit.timeit('np.sqrt(x.dot(x))', setup='import numpy as np; x = np.arange(100)', number=1000)
0.0181372
编辑:当你必须采用许多向量的范数时,真正的速度提高才会到来。使用纯numpy函数不需要任何for循环。例如:
In [1]: import numpy as np
In [2]: a = np.arange(1200.0).reshape((-1,3))
In [3]: %timeit [np.linalg.norm(x) for x in a]
100 loops, best of 3: 4.23 ms per loop
In [4]: %timeit np.sqrt((a*a).sum(axis=1))
100000 loops, best of 3: 18.9 us per loop
In [5]: np.allclose([np.linalg.norm(x) for x in a],np.sqrt((a*a).sum(axis=1)))
Out[5]: True
发布于 2014-05-10 09:47:24
另一种选择是对任一数组使用numpy中的einsum
函数:
In [1]: import numpy as np
In [2]: a = np.arange(1200.0).reshape((-1,3))
In [3]: %timeit [np.linalg.norm(x) for x in a]
100 loops, best of 3: 3.86 ms per loop
In [4]: %timeit np.sqrt((a*a).sum(axis=1))
100000 loops, best of 3: 15.6 µs per loop
In [5]: %timeit np.sqrt(np.einsum('ij,ij->i',a,a))
100000 loops, best of 3: 8.71 µs per loop
或向量:
In [5]: a = np.arange(100000)
In [6]: %timeit np.sqrt(a.dot(a))
10000 loops, best of 3: 80.8 µs per loop
In [7]: %timeit np.sqrt(np.einsum('i,i', a, a))
10000 loops, best of 3: 60.6 µs per loop
然而,似乎确实有一些与调用它相关的开销,这可能会使它在小输入时变得更慢:
In [2]: a = np.arange(100)
In [3]: %timeit np.sqrt(a.dot(a))
100000 loops, best of 3: 3.73 µs per loop
In [4]: %timeit np.sqrt(np.einsum('i,i', a, a))
100000 loops, best of 3: 4.68 µs per loop
https://stackoverflow.com/questions/9171158
复制相似问题