Numpy 根据列表折叠列

Question

在 NumPy 中，我有一个 d x n 数组 A 和一个长度为 n 的列表 L，描述了我希望 A 以矩阵 B 结束。这个想法是矩阵 B 的列 i 是 A 的所有列的 sum，L 中的对应值为 i .

我可以用 for 循环来做到这一点：

A = np.arange(15).reshape(3,5)
L = [0,1,2,1,1]
n_cols = 3
B = np.zeros((len(A), n_cols)) 
# assume I know the desired number of columns, 
# which is also one more than the maximum value of L
for i, a in enumerate(A.T):
    B[:, L[i]] += a

我想知道是否有办法通过切片数组 A（或以其他矢量化方式）来做到这一点？

Answer 1

``B` 上的这次迭代是否相同（未测试）？

 for I in range(B.shape[1]):
       B[:, I] = A[:, L==I].sum(axis=1)

循环次数会少一些。但更重要的是，它可能会提供其他矢量化见解。

(edit) 在测试中，这有效，但速度要慢得多。

+========

scipy.sparse 用一个矩阵对矩阵乘积进行列求和。我们可以在这里做同样的事情吗？制作 C 数组，右列为 1

def my2(A,L):
    n_cols = L.shape[0]
    C = np.zeros((n_cols,n_cols),int)
    C[np.arange(n_cols), L] = 1
    return A.dot(C)

这比您的循环快 7 倍，比 @Divakars reduceat 代码快一点。

==========

In [126]: timeit vectorized_app(A,L)
The slowest run took 8.16 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 99.7 µs per loop
In [127]: timeit val2 = my2(A,L)
The slowest run took 10.46 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 81.6 µs per loop
In [128]: timeit org1(A,n_cols)
1000 loops, best of 3: 623 µs per loop
In [129]: d,n_cols
Out[129]: (10, 100)

Answer 2

您使用 L 选择那些列 sum-reducing/collapsing A 的列。此外，您正在根据 L 元素的唯一性更新输出数组的列。

因此，您可以使用 np.add.reduceat 作为矢量化解决方案，就像这样 -

sidx = L.argsort()
col_idx, grp_start_idx = np.unique(L[sidx],return_index=True)
B_out = np.zeros((len(A), n_cols))
B_out[:,col_idx] = np.add.reduceat(A[:,sidx],grp_start_idx,axis=1)

运行时测试 -

In [129]: def org_app(A,n_cols):
     ...:     B = np.zeros((len(A), n_cols)) 
     ...:     for i, a in enumerate(A.T):
     ...:         B[:, L[i]] += a
     ...:     return B
     ...: 
     ...: def vectorized_app(A,n_cols):
     ...:     sidx = L.argsort()
     ...:     col_idx, grp_start_idx = np.unique(L[sidx],return_index=True)
     ...:     B_out = np.zeros((len(A), n_cols))
     ...:     B_out[:,col_idx] = np.add.reduceat(A[:,sidx],grp_start_idx,axis=1)
     ...:     return B_out
     ...: 

In [130]: # Setup inputs with an appreciable no. of cols & lesser rows
     ...: # so as that memory bandwidth to work with huge number of 
     ...: # row elems doesn't become the bottleneck
     ...: d,n_cols = 10,5000
     ...: A = np.random.rand(d,n_cols)
     ...: L = np.random.randint(0,n_cols,(n_cols,))
     ...: 

In [131]: np.allclose(org_app(A,n_cols),vectorized_app(A,n_cols))
Out[131]: True

In [132]: %timeit org_app(A,n_cols)
10 loops, best of 3: 33.3 ms per loop

In [133]: %timeit vectorized_app(A,n_cols)
100 loops, best of 3: 1.87 ms per loop

随着行数与 A 中的列数相当，矢量化方法的高内存带宽要求将抵消它的任何明显加速。

Numpy 根据列表折叠列

Numpy collapse columns according to list

python

numpy

vectorization

array-broadcasting