如何在不使用循环的情况下生成循环数字序列？

Question

我想生成相同的编号的循环序列：[A B C A B C]任意长度N我想：

import numpy as np 
def cyclic(N): 
    x = np.array([1.0,2.0,3.0]) # The main sequence 
    y = np.tile(x,N//3) # Repeats the sequence N//3 times 
    return y 

，但我的代码的问题是，如果我三个输入任意一个整数是不是整除，则结果会有比我想象的更小的长度（N）。我知道这是很newbish问题，但我真的卡住了

Answer 1

你可以使用numpy.resize

x = np.array([1.0, 2.0, 3.0]) 

y = np.resize(x, 13) 

y 
Out[332]: array([ 1., 2., 3., 1., 2., 3., 1., 2., 3., 1., 2., 3., 1.]) 

警告：这是答案并不延伸到2D，因为resize重复之前平展阵列。

Answer 2

您可以使用itertools.cycle，无限迭代器，对于这个：

>>> import itertools 
>>> it = itertools.cycle([1,2,3]) 
>>> next(it) 
1 
>>> next(it) 
2 
>>> next(it) 
3 
>>> next(it) 
1 

你获得序列（N）的具体长度，与itertools.islice结合起来：

>>> list(itertools.islice(itertools.cycle([1,2,3]),11)) 
[1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2] 

编辑：你可以在Divakar's benchmark看到，相较于其他的答案这种做法是在速度方面一般中间。我建议何时此解决方案需要迭代器return而不是list或numpy阵列。

Answer 3

首先，它后过长度它（使用math.ceil）然后resizetile

import numpy as np 
import math 
def cyclic(N): 
    x = np.array([1.0,2.0,3.0]) # The main sequence 
    y = np.tile(x, math.ceil(N/3.0)) 
    y = np.resize(y, N) 
    return y 

服用Daniel Forsman的建议之后，它可以被简化为

import numpy as np 
def cyclic(N): 
    x = np.array([1.0,2.0,3.0]) # The main sequence 
    y = np.resize(x, N) 
    return y 

因为np.resize自动平铺响应in 1D

Answer 4

你可以使用itertools循环。

In [3]: from itertools import cycle 
In [4]: for x in cycle(['A','B','C']): 
...:  print(x) 
...: 
C 
A 
B 
C 
A 
B 
C 
A 
B 
C 
A 
B 
C 
A 
B 
C 
A 
B 

编辑： 如果你想出来的循环来实现它，你将需要递归函数。基于itertools循环等的解决方案只是隐藏导入函数后面的循环。

In [5]: def repeater(arr, n): 
    ...:  yield arr[0] 
    ...:  yield arr[1] 
    ...:  yield arr[2] 
    ...:  if n == 0: 
    ...:   yield StopIteration 
    ...:  else: 
    ...:   yield from repeater(arr, n-1) 
    ...: 

Answer 5

方法1： Here'e一种方法使用modulus产生的循环索引来处理通用序列 -

def cyclic_seq(x, N): 
    return np.take(x, np.mod(np.arange(N),len(x))) 

方法2：出于性能，下面的砖的另一方法间隔的最大数量的多个再利用的slicing以选择第一N元素 -

def cyclic_seq_v2(x, N): 
    return np.tile(x,(N+N-1)//len(x))[:N] 

个样品试验 -

In [81]: cyclic_seq([6,9,2,1,7],14) 
Out[81]: array([6, 9, 2, 1, 7, 6, 9, 2, 1, 7, 6, 9, 2, 1]) 

In [82]: cyclic_seq_v2([6,9,2,1,7],14) 
Out[82]: array([6, 9, 2, 1, 7, 6, 9, 2, 1, 7, 6, 9, 2, 1]) 

---

运行测试

In [327]: x = np.random.randint(0,9,(3)) 

In [328]: %timeit np.resize(x, 10000) # @Daniel Forsman's solution 
    ...: %timeit list(itertools.islice(itertools.cycle(x),10000)) # @Chris soln 
    ...: %timeit cyclic_seq(x,10000) # Approach #1 from this post 
    ...: %timeit cyclic_seq_v2(x,10000) # Approach #2 from this post 
    ...: 
1000 loops, best of 3: 296 µs per loop 
10000 loops, best of 3: 185 µs per loop 
10000 loops, best of 3: 120 µs per loop 
10000 loops, best of 3: 28.7 µs per loop 

In [329]: x = np.random.randint(0,9,(30)) 

In [330]: %timeit np.resize(x, 10000) # @Daniel Forsman's solution 
    ...: %timeit list(itertools.islice(itertools.cycle(x),10000)) # @Chris soln 
    ...: %timeit cyclic_seq(x,10000) # Approach #1 from this post 
    ...: %timeit cyclic_seq_v2(x,10000) # Approach #2 from this post 
    ...: 
10000 loops, best of 3: 38.8 µs per loop 
10000 loops, best of 3: 101 µs per loop 
10000 loops, best of 3: 115 µs per loop 
100000 loops, best of 3: 13.2 µs per loop 

In [331]: %timeit np.resize(x, 100000) # @Daniel Forsman's solution 
    ...: %timeit list(itertools.islice(itertools.cycle(x),100000)) # @Chris soln 
    ...: %timeit cyclic_seq(x,100000) # Approach #1 from this post 
    ...: %timeit cyclic_seq_v2(x,100000) # Approach #2 from this post 
    ...: 
1000 loops, best of 3: 297 µs per loop 
1000 loops, best of 3: 942 µs per loop 
1000 loops, best of 3: 1.13 ms per loop 
10000 loops, best of 3: 88.3 µs per loop 

性能，approach #2似乎合作得非常好。