通用函数迭代n-D数组

使用Cython，有没有办法编写快速通用函数，这些函数适用于具有不同维数的数组？例如对于去混叠功能，这个简单的例子：通用函数迭代n-D数组

import numpy as np 
cimport numpy as np 

ctypedef np.uint8_t DTYPEb_t 
ctypedef np.complex128_t DTYPEc_t 


def dealiasing1D(DTYPEc_t[:, :] data, 
       DTYPEb_t[:] where_dealiased): 
    """Dealiasing data for 1D solvers.""" 
    cdef Py_ssize_t ik, i0, nk, n0 

    nk = data.shape[0] 
    n0 = data.shape[1] 

    for ik in range(nk): 
     for i0 in range(n0): 
      if where_dealiased[i0]: 
       data[ik, i0] = 0. 


def dealiasing2D(DTYPEc_t[:, :, :] data, 
       DTYPEb_t[:, :] where_dealiased): 
    """Dealiasing data for 2D solvers.""" 
    cdef Py_ssize_t ik, i0, i1, nk, n0, n1 

    nk = data.shape[0] 
    n0 = data.shape[1] 
    n1 = data.shape[2] 

    for ik in range(nk): 
     for i0 in range(n0): 
      for i1 in range(n1): 
       if where_dealiased[i0, i1]: 
        data[ik, i0, i1] = 0. 


def dealiasing3D(DTYPEc_t[:, :, :, :] data, 
       DTYPEb_t[:, :, :] where_dealiased): 
    """Dealiasing data for 3D solvers.""" 
    cdef Py_ssize_t ik, i0, i1, i2, nk, n0, n1, n2 

    nk = data.shape[0] 
    n0 = data.shape[1] 
    n1 = data.shape[2] 
    n2 = data.shape[3] 

    for ik in range(nk): 
     for i0 in range(n0): 
      for i1 in range(n1): 
       for i2 in range(n2): 
        if where_dealiased[i0, i1, i2]: 
         data[ik, i0, i1, i2] = 0.

在这里，我需要为一维，二维和三维的情况下三种功能。是否有一个好的方法来编写一个可以完成所有（合理）维度的工作的函数？

PS：在这里，我试过使用记忆体，但我不确定这是正确的方法来做到这一点。令我感到惊讶的是，在cython -a命令生成的带注释的html中，行if where_dealiased[i0]: data[ik, i0] = 0.不是白色。有什么不对？

来源

2014-10-05 paugier

我要说的第一件事是，有理由想要保留3个函数，并且使用更通用的函数，您可能会错过cython编译器和c编译器的优化。

做一个包装这3个函数的函数是非常可行的，它只需将两个数组作为python对象，检查形状并调用相关的其他函数。

但如果是要尝试这个然后我会尝试只是写了最高层面的功能，然后用低维数组使用new axis符号重塑他们作为高维数组：

cdef np.uint8_t [:] a1d = np.zeros((256,), np.uint8) # 1d 
cdef np.uint8_t [:, :] a2d = a1d[None, :]    # 2d 
cdef np.uint8_t [:, :, :] a3d = a1d[None, None, :] # 3d 
a2d[0, 100] = 42 
a3d[0, 0, 200] = 108 
print(a1d[100], a1d[200]) 
# (42, 108) 

cdef np.uint8_t [:, :] data2d = np.zeros((128, 256), np.uint8) #2d 
cdef np.uint8_t [:, :, :, :] data4d = data2d[None, None, :, :] #4d 
data4d[0, 0, 42, 108] = 64 
print(data2d[42, 108]) 
# 64

正如您所看到的，内存视图可以转换为更高维度，并可用于修改原始数据。您可能仍然希望编写一个包装函数，它在将新视图传递给最高维函数之前执行这些技巧。我怀疑这个窍门在你的情况下会工作得很好，但是你必须四处游玩，以便知道它是否会按照你的想法来处理你的数据。

随着你的PS :,有一个非常简单的解释。 '额外代码'是生成索引错误，类型错误的代码，它允许您使用[-1]从数组的末尾索引而不是开始（绕回）。您可以禁用这些额外的蟒蛇的功能和它降低到C阵列功能通过使用compiler directives，例如以消除整个文件这种额外的代码，你可以包括在文件的开头注释：

# cython: boundscheck=False, wraparound=False, nonecheck=False

编译器指令也可以使用装饰器在功能级应用。该文件解释说。

来源

2014-10-06 01:53:48

可以在一般的方式读取使用numpy.ndindex()与strided属性np.ndarray对象的，扁平阵列，使得所述位置由下式确定：

indices[0]*strides[0] + indices[1]*strides[1] + ... + indices[n]*strides[n]

这是很容易实现的操作的方式(strides*indices).sum()，当strides是一维数组。下面的代码说明了如何构造一个工作示例：

#cython profile=True 
#blacython wraparound=False 
#blacython boundscheck=False 
#blacython nonecheck=False 
#blacython cdivision=True 
cimport numpy as np 
import numpy as np 

def readNDArray(x): 
    if not isinstance(x, np.ndarray): 
     raise ValueError('x must be a valid np.ndarray object') 
    if x.itemsize != 8: 
     raise ValueError('x.dtype must be float64') 
    cdef np.ndarray[double, ndim=1] v # view of x 
    cdef np.ndarray[int, ndim=1] strides 
    cdef int pos 

    shape = list(x.shape) 
    strides = np.array([s//x.itemsize for s in x.strides], dtype=np.int32) 
    v = x.ravel() 
    for indices in np.ndindex(*shape): 
     pos = (strides*indices).sum() 
     v[pos] = 2. 
    return np.reshape(v, newshape=shape)

该算法不会复制原始数组，如果它是C连续：

def main(): 
    # case 1 
    x = np.array(np.random.random((3,4,5,6)), order='F') 
    y = readNDArray(x) 
    print(np.may_share_memory(x, y)) 
    # case 2 
    x = np.array(np.random.random((3,4,5,6)), order='C') 
    y = readNDArray(x) 
    print np.may_share_memory(x, y) 
    return 0

结果：

False 
True

来源

2014-10-06 06:25:17

通用函数迭代n-D数组

回答

相关问题