Numpy - 从1d数组中有效地构建2d数组

Question

我在numpy（Python 2.7）中从1d数组构建2d数组。我正在寻找最有效的方式来做到这一点。到目前为止，我想出了：

a=np.ones(100000) 

# SUBSCRIPTING 

n_dim=3 
x=0 

for i in xrange(0,1000): 
    x=np.zeros(shape=(100000,n_dim)) 
    for j in xrange(0,n_dim): 
     x[:,j]=a*j 

# ~1.574 s/1000 loops - joinind 3 1d arrays 
# ~9.162 s/1000 loops - joinind 10 1d arrays 



# STACKING 

for i in xrange(0,1000): 
    x=a*0. 
    for j in xrange(1,n_dim): 
     x=np.vstack((x,a*j)) 
    x=x.T 

# ~1.786 s/1000 loops - joinind 3 1d arrays 
# ~16.603 s/1000 loops - joinind 10 1d arrays 

第一种方法（下标）是我想出了最快，在第二个方法（堆积）的性能提升与成长一维数组我加入的数量。由于我需要重复这一步很多，我想知道是否有更快的东西？如果能够提供显着的性能提升，我愿意采用那种失去清晰度的解决方案。

也许我可以尝试以限制堆叠操作数量的方式堆叠数组（例如，连接4个1d数组：第一个堆栈数组1和2，然后是数组3和4，以及最终得到的数组）。

我的问题是关于从1d阵列有效地构建2d数组。我在这里使用的数组中的值是虚拟的。在实际应用中，我加入的1d阵列中的大部分值可能会有所不同。

Answer 1

由于numpy存储（默认情况下）row-major order中的数组，因此按行设置值效率更高。因此，我会用：

x=np.zeros(shape=(n_dim, 100000)) 
for j in range(0,n_dim): 
    x[j,:]=a*j 

或者，您也可以定义x是列为主，然后，这是一样快，以前的代码：

x=np.zeros(shape=(100000,n_dim), order='F') 
for j in range(0,n_dim): 
    x[:,j]=a*j 

你也能创造出x numpy外部产品：

v = np.arange(n_dim) 
x = np.outer(v, a) 

Answer 2

这是穷人的使用方式vstack;您将反复调用它，每个j

x=a*0. 
for j in xrange(1,n_dim): 
    x=np.vstack((x,a*j)) 
x=x.T 

正确的方法是构建阵列的列表，并使用vstack只有一次创建一个新的x。

xlist=[] 
for j in xrange(1,n_dim): 
    xlist.append(a*j) 
x = np.array(xlist).T 

在此背景下append的作品一样好vstack，并可能会更快。还有一个column_stack函数。关键区别在于我利用快速列表追加以及array（和vstack）在其参数列表中占用很多项目的能力。

它甚至更好，如果你能在一个预分配阵列编写循环作为一个列表理解

x = np.array([a*j for j in xrange(1,n_dim)]) 

插入往往是最快的选择。但是您应该熟悉这种从列表构建方法。

基本np.array表达

np.array([[1,2,3],[4,5,6]]) 

只是此，建设从一维阵列的列表（或在这种情况下，列表）2d上。

np.array([a*0,a*1,a*2]) 

---

jakub指出，np.array是缓慢的。对于n_dim=10：

In [257]: timeit x=np.array([(a*j) for j in range(n_dim)]).T 
1 loops, best of 3: 228 ms per loop 

In [258]: timeit x=np.array([(a*j).tolist() for j in range(n_dim)]).T 
1 loops, best of 3: 228 ms per loop 

显然np.array被转换输入阵列列表，然后做从嵌套列表（或东西等效）其通常的结构。

In [259]: timeit x=np.vstack([(a*j) for j in range(n_dim)]).T 
10 loops, best of 3: 24.9 ms per loop 

vstack在数组列表上的速度相当快。比迭代vstack（我预期的）更快。基本上一样Ramon's插入行（和插入order='F'）

In [272]: %%timeit 
x=np.zeros((n_dim,a.shape[0])) 
for j in range(n_dim): 
    x[j,:]=a*j 
    .....: x=x.T 
    .....: 
10 loops, best of 3: 23.3 ms per loop 

虽然concatenate（由vstack使用）被编译，我怀疑它类似于多次插入一些东西。源C代码中通常会创建一个空目标数组，然后用适当的值填充它。