我希望能够计算所有 i
和 j
的以下数值:
M_ki = Sum[A_ij - A_ik - A_kj + A_kk, 1 <= j <= n]
如何在不使用显式循环的情况下,使用Numpy(Python)来完成它?
谢谢!
以下是解决此类问题的一般策略。
首先,编写一个小脚本,其中循环在两个不同的函数中显式编写,并在末尾进行测试,确保两个函数完全相同:
import numpy as np
from numpy import newaxis
def explicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
for j in range(n):
m[k,i] += a[i,j] - a[i,k] - a[k,j] + a[k,k]
return m
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
for j in range(n):
m[k,i] += a[i,j] - a[i,k] - a[k,j] + a[k,k]
return m
a = np.random.randn(10,10)
assert np.allclose(explicit(a), implicit(a), atol=1e-10, rtol=0.)
接下来,通过逐步编辑implicit
函数来向量化它,每一步都要运行脚本以确保它们继续保持不变:
第一步
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
for k in range(n):
for i in range(n):
m[k,i] = (a[i,:] - a[k,:]).sum() - n*a[i,k] + n*a[k,k]
return m
第二步
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
m = - n*a.T + n*np.diag(a)[:,newaxis]
for k in range(n):
for i in range(n):
m[k,i] += (a[i,:] - a[k,:]).sum()
return m
第三步
def implicit(a):
n = a.shape[0]
m = np.zeros_like(a)
m = - n*a.T + n*np.diag(a)[:,newaxis]
m += (a.T[newaxis,...] - a[...,newaxis]).sum(1)
return m
看,最后一个版本都没有循环了。要将这种类型的方程向量化,广播是正确的方法!
警告:确保explicit
是你想要向量化的方程。我不确定那些不依赖于j
的术语是否也应该被求和。