numpy中frompyfunc和vectorize的区别

Question

在numpy中，vectorize和frompyfunc有什么区别？

它们看起来非常相似。每个的典型用例是什么？

编辑：正如JoshAdel所指出的那样，类vectorize似乎是建立在frompyfunc之上的（参见the source）。我仍然不清楚frompyfunc是否有任何未被vectorize覆盖的用例...

- Olivier Verdier

---

有没有任何numpy开发者可以澄清一下这个问题？Numpy有许多这样的情况，在文档中高级和低级实现之间没有指针。 - dtlussier

由于某些秘密原因，frompyfunc 生成的函数有意忽略 dtype 参数并返回一个 object 数组。正如文档所解释的那样，“返回的 ufunc 总是返回 PyObject 数组”。有一个简单而巧妙的解决方法：将所需类型的数组作为 out 参数提交。相反，vectorize 函数允许使用 otypes 参数指定 ufunc 的输出类型，但它被认为速度较慢，因此与使用嵌套列表相比几乎没有用处。 - Alexey

如果有人想进一步探讨速度参数，可以参考这个问题/回答（https://dev59.com/nTgCtIcB2Jgan1zn0fF-#74596788），提供了1000倍的加速。 - Neil_UK

Answer 1

正如JoshAdel指出的那样，vectorize封装了frompyfunc。Vectorize添加了以下额外功能：

• 从原始函数复制文档字符串
• 允许您从广播规则中排除一个参数。
• 返回正确dtype的数组，而不是dtype=object

编辑：经过一些简短的基准测试，我发现vectorize比frompyfunc慢得多（约50%）适用于大型数组。如果性能在您的应用程序中至关重要，请首先对您的用例进行基准测试。

`

>>> a = numpy.indices((3,3)).sum(0)

>>> print a, a.dtype
[[0 1 2]
 [1 2 3]
 [2 3 4]] int32

>>> def f(x,y):
    """Returns 2 times x plus y"""
    return 2*x+y

>>> f_vectorize = numpy.vectorize(f)

>>> f_frompyfunc = numpy.frompyfunc(f, 2, 1)
>>> f_vectorize.__doc__
'Returns 2 times x plus y'

>>> f_frompyfunc.__doc__
'f (vectorized)(x1, x2[, out])\n\ndynamic ufunc based on a python function'

>>> f_vectorize(a,2)
array([[ 2,  4,  6],
       [ 4,  6,  8],
       [ 6,  8, 10]])

>>> f_frompyfunc(a,2)
array([[2, 4, 6],
       [4, 6, 8],
       [6, 8, 10]], dtype=object)

`

- Stuart Berg

---

有趣...但差异和用例对我来说仍然不太清楚... - Olivier Verdier

Answer 2

我不确定它们各自的不同用例，但如果你查看源代码（/numpy/lib/function_base.py），你会发现vectorize包装了frompyfunc。我的理解是，vectorize在正确处理输入参数方面做得更好。也许在某些特定情况下，你会更喜欢其中之一，但似乎frompyfunc只是vectorize的一个较低级实例。

- JoshAdel

---

我同意你的观点，即frompyfunc似乎比vectorize更低级。然而，问题仍然存在，即是否存在你更愿意使用frompyfunc而不是vectorize的情况？ - Olivier Verdier

我认为你不能像 https://dev59.com/cWYr5IYBdhLWcg3wQIC-#27912352 中那样在 vectorize 中使用 .accumulate。 - user3226167

Answer 3

尽管这两种方法都提供了一种构建自己的 ufunc 的方式，但使用 numpy.frompyfunc 方法始终返回一个 Python 对象，而使用 numpy.vectorize 方法时可以指定返回类型。

- utada219