簡介
將函數映射到NumPy 數組涉及將函數應用於每個數組涉及將函數應用於每個數組涉及將函數應用於每個數組涉及將函數應用於每個數組涉及將函數應用於每個數組涉及將函數應用於每個數字元素取得包含結果的新數組。雖然問題中描述的使用列表理解和轉換為 NumPy 數組的方法很簡單，但它可能不是最有效的方法。本文探討了在 NumPy 陣列上高效映射函數的各種方法。
如果您希望應用的函數已經是向量化 NumPy 函數，例如平方根或對數，請使用直接使用 NumPy 的原生函數是最快的選擇。
import numpy as np x = np.array([1, 2, 3, 4, 5]) squares = np.square(x) # Fast and straightforward
對於NumPy 中未向量化的自訂函數，使用陣列理解通常比使用傳統循環更有效：
import numpy as np
def my_function(x):
# Define your custom function
x = np.array([1, 2, 3, 4, 5])
squares = np.array([my_function(xi) for xi in x]) # Reasonably efficient也可以使用map函數，儘管它效率比數組稍低理解：
import numpy as np
def my_function(x):
# Define your custom function
x = np.array([1, 2, 3, 4, 5])
squares = np.array(list(map(my_function, x))) # Slightly less efficientnp.fromiter 函數是映射函數的另一個選項，特別是在函數生成迭代器的情況下。但是，它的效率比數組理解稍低：
import numpy as np
def my_function(x):
# Define your custom function
return iter([my_function(xi) for xi in x]) # Yields values as an iterator
x = np.array([1, 2, 3, 4, 5])
squares = np.fromiter(my_function(x), x.dtype) # Less efficient, but works with iterators在某些情況下，可以使用 NumPy 的向量化框架對自訂函數進行矢量化。這種方法涉及創建一個可以按元素應用於數組的新函數：
import numpy as np
def my_function(x):
# Define your custom function
x = np.array([1, 2, 3, 4, 5])
my_vectorized_function = np.vectorize(my_function)
squares = my_vectorized_function(x) # Most efficient, but may not always be possible方法的選擇取決於數組大小等因素，函數的複雜性，以及NumPy 是否提供函數的向量化版本。對於小型數組和簡單函數，數組理解或映射可能就足夠了。對於較大的陣列或更複雜的函數，建議使用原生 NumPy 函數或向量化以獲得最佳效率。
以上是將函數映射到 NumPy 數組最有效的方法是什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
