Zarówno w MATLAB, jak i Numpy, tablice mogą być indeksowane za pomocą tablic. Jednak zachowanie jest inne. Pozwól mi wyjaśnić to na przykładzie.Indeksowanie tablic podobnych do MATLAB z Numpy
MATLAB:
>> A = rand(5,5)
A =
0.1622 0.6020 0.4505 0.8258 0.1067
0.7943 0.2630 0.0838 0.5383 0.9619
0.3112 0.6541 0.2290 0.9961 0.0046
0.5285 0.6892 0.9133 0.0782 0.7749
0.1656 0.7482 0.1524 0.4427 0.8173
>> A([1,3,5],[1,3,5])
ans =
0.1622 0.4505 0.1067
0.3112 0.2290 0.0046
0.1656 0.1524 0.8173
Numpy:
In [2]: A = arange(25).reshape((5,5))
In [3]: A
Out[3]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14],
[15, 16, 17, 18, 19],
[20, 21, 22, 23, 24]])
In [6]: A[[0,2,4], [0,2,4]]
Out[6]: array([ 0, 12, 24])
Słownie: MATLAB wybiera wiersze i kolumny, NumPy "zamki" dwie tablice indeksów i używa krotki aby wskazać wpisów.
Jak mogę uzyskać zachowanie MATLAB przy pomocy Numpy?
To jest całkiem nieefektywne. Wymaga to utworzenia tymczasowej tablicy w pamięci, która może być dość duża w zależności od rozmiaru tablic, z którymi pracujesz. Istnieje kilka bardziej wydajnych sposobów, aby to zrobić, w tym za pomocą funkcji ix_ helper. –
Tak, wszystko w porządku. Z drugiej strony rzecz zbudowana przez 'ix_' jest również dość duża, aczkolwiek tymczasowa. Wykonałem eksperymenty czasowe dla tablicy 5x5, jak w oryginalnym pytaniu, z następującymi wynikami. '[,:] [:,]' jest o około 25% szybsze niż '[ix _()]', ale jeśli używasz tych samych indeksów za każdym razem, budując tablicę indeksowania * raz * z 'ix_' i używaj jej ponownie jest około 10 razy szybsza - choć oczywiście wtedy płacisz koszt użycia pamięci. –
np.ix_, w większości przypadków używa tylko trywialnej ilości pamięci, ponieważ zwraca poglądy na jej argumenty. Również np.ix_ jest operacją czasu stałego, podczas gdy A [I1,:] [:, I2] wynosi ~ n^2 zarówno w czasie, jak iw użyciu pamięci. Ale jeśli naprawdę potrzebujesz 25% zwiększenia wydajności w macierzy 5x5, musisz zrobić to, co masz do zrobienia. –