NumPy使用手记 (1)

最新推荐文章于 2022-07-23 10:41:40 发布

转载最新推荐文章于 2022-07-23 10:41:40 发布 · 642 阅读

python 专栏收录该内容

5 篇文章

订阅专栏

本文对比了两种计算矩阵残差平方的方法：一种是传统的 Python 循环方式，另一种是利用 NumPy 的 where 和 sum 函数。通过实验发现，后者不仅代码更简洁，而且运行速度也更快，尤其在处理大规模稀疏矩阵时优势明显。

1）巧用 where函数

where函数是numpy的内置，也是一个非常有用的函数，提供了快速并且灵活的计算功能。

def f_norm_1(data, estimate):
   residule = 0
   for row_index in range(data.shape[0]):
     for column_index in range(data.shape[1]):
     if data[row_index][column_index] != 0:
         residule += (data[row_index][column_index] - estimate[row_index][column_index]) ** 2
   return residule

def f_norm_2(data, estimate)

return sum(where(data != 0, (data-estimate) **2, 0))

这两段代码完成同样的功能，计算两个矩阵的差，然后将残差进行平方，注意，因为我需要的是考虑矩阵稀疏性，所以不能用内置的norm，函数1是我用普通的python写的，不太复杂，对于规模10*10的矩阵，计算200次耗时0.15s，函数2使用了where函数和sum函数，这两个函数都是为向量计算优化过的，不仅简介，而且耗时仅0.03s, 快了有五倍，不仅如此，有同学将NumPy和matlab做过比较，NumPy稍快一些，这已经是很让人兴奋的结果。