Uyuşmuş bir dizide çarpma

Bir 2B dizideki her bir terimi 1B dizisindeki karşılık gelen terimlerle çarpmaya çalışıyorum. Numpy.multiply işlevinde gösterildiği gibi, her sütunu 1B dizisi ile çarpmak istersem bu çok kolaydır . Ama tam tersini yapmak istiyorum, her terimi satırda çarpın. Başka bir deyişle, çarpmak istiyorum:

[1,2,3]   [0]
[4,5,6] * [1]
[7,8,9]   [2]

ve Al

[0,0,0]
[4,5,6]
[14,16,18]

ama onun yerine alırım

[0,2,6]
[0,5,12]
[0,8,18]

Bunu numpy ile yapmanın zarif bir yolu olup olmadığını bilen var mı? Çok teşekkürler Alex

Gösterdiğiniz gibi normal çarpma:

>>> import numpy as np
>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> m * c
array([[ 0,  2,  6],
       [ 0,  5, 12],
       [ 0,  8, 18]])

Bir eksen eklerseniz, istediğiniz şekilde çarpacaktır:

>>> m * c[:, np.newaxis]
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

Ayrıca iki kez transpoze edebilirsiniz:

>>> (m.T * c).T
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

Farklı hız seçeneklerini karşılaştırdım ve - şaşırtıcı bir şekilde - tüm seçeneklerin (hariç diag) eşit derecede hızlı olduğunu gördüm . Şahsen kullanıyorum

A * b[:, None]

(veya (A.T * b).T) kısa olduğu için.

Grafiği yeniden oluşturmak için kod:

import numpy
import perfplot


def newaxis(data):
    A, b = data
    return A * b[:, numpy.newaxis]


def none(data):
    A, b = data
    return A * b[:, None]


def double_transpose(data):
    A, b = data
    return (A.T * b).T


def double_transpose_contiguous(data):
    A, b = data
    return numpy.ascontiguousarray((A.T * b).T)


def diag_dot(data):
    A, b = data
    return numpy.dot(numpy.diag(b), A)


def einsum(data):
    A, b = data
    return numpy.einsum("ij,i->ij", A, b)


perfplot.save(
    "p.png",
    setup=lambda n: (numpy.random.rand(n, n), numpy.random.rand(n)),
    kernels=[
        newaxis,
        none,
        double_transpose,
        double_transpose_contiguous,
        diag_dot,
        einsum,
    ],
    n_range=[2 ** k for k in range(13)],
    xlabel="len(A), len(b)",
)

Matris çarpımını da kullanabilirsiniz (diğer adıyla nokta çarpımı):

a = [[1,2,3],[4,5,6],[7,8,9]]
b = [0,1,2]
c = numpy.diag(b)

numpy.dot(c,a)

Hangisi daha zarif, muhtemelen bir zevk meselesidir.

Yine başka bir numara (v1.6'dan itibaren)

A=np.arange(1,10).reshape(3,3)
b=np.arange(3)

np.einsum('ij,i->ij',A,b)

Uyuşmuş yayıncılık konusunda uzmanım ( newaxis), ancak yine de bu yeni einsumaraçta yolumu buluyorum . Bu yüzden bu çözümü bulmak için biraz uğraştım.

Zamanlamalar (Ipython timeit kullanarak):

einsum: 4.9 micro
transpose: 8.1 micro
newaxis: 8.35 micro
dot-diag: 10.5 micro

Bu arada, değişen iiçin j, np.einsum('ij,j->ij',A,b)Alex istemediğini matris oluşturur. Ve np.einsum('ji,j->ji',A,b)aslında çift devrik yapar.

Google'da kaybolan ruhlar için o numpy.expand_dimszaman kullanmak numpy.repeatişe yarayacak ve aynı zamanda daha yüksek boyutlu durumlarda da işe yarayacaktır (yani bir şekli (10, 12, 3) a (10, 12) ile çarparak).

>>> import numpy
>>> a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = numpy.array([0,1,2])
>>> b0 = numpy.expand_dims(b, axis = 0)
>>> b0 = numpy.repeat(b0, a.shape[0], axis = 0)
>>> b1 = numpy.expand_dims(b, axis = 1)
>>> b1 = numpy.repeat(b1, a.shape[1], axis = 1)
>>> a*b0
array([[ 0,  2,  6],
   [ 0,  5, 12],
   [ 0,  8, 18]])
>>> a*b1
array([[ 0,  0,  0],
   [ 4,  5,  6],
   [14, 16, 18]])

Neden sadece yapmıyorsun

>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> (m.T * c).T

??