该迭代是'pythonic'。
numpy
确实有一个功能,在这种情况下,可能会更快一点。这不是神奇:
In [142]: a=np.linspace(0,100,10)
In [143]: b=np.linspace(0,50,10) # change to match a size
In [144]: f=np.frompyfunc(test,2,1)
In [145]: c=f(a,b)
In [146]: c
Out[146]:
array([<__main__.test object at 0xb21df12c>,
<__main__.test object at 0xb21dfb2c>,
<__main__.test object at 0xb221a9cc>,
<__main__.test object at 0xb222c44c>,
<__main__.test object at 0xb2213d0c>,
<__main__.test object at 0xb26bc16c>,
<__main__.test object at 0xb2215c0c>,
<__main__.test object at 0xb221598c>,
<__main__.test object at 0xb21eb2cc>,
<__main__.test object at 0xb21ebc6c>], dtype=object)
In [147]: c[0].x,c[1].y
Out[147]: (0.0, 5.555555555555555)
frompyfunc
返回应用于输入f
到a,b
元素的功能。我将其定义为获取2个输入,并返回1个数组。默认情况下,它会返回一个适合您的情况的对象数组。
np.vectorize
使用这个相同的功能,但有一些开销,可以使它更容易使用。
它还处理广播,所以通过改变输入到列数组我得到一个2D输出:
In [148]: c=f(a,b[:,None])
In [149]: c.shape
Out[149]: (10, 10)
但是要记住,不是很多,你可以用这个c
做。它只是一个test
实例的列表。例如c+1
不起作用,除非您定义__add__
方法。