使用numpy add.at在整行中获取相同的值

Question

我的问题如下，对于长度为数百万的二维数组np.add.是否比for上的简单迭代更快？

R将是值的二维数组，类似于[[171]，[23,10]…]，而nArray是一个矩阵25x25，它用np.zeros初始化，所以它只包含0(R中的所有值都在0到24之间，所以没有错误(

for point in R:
nArray[tuple(point)] += 1

我在np.add.at中遇到的问题是，我在一行的所有单元格上都有相同的值，而不是得到相同的结果。第0行->35525 35525。。。35525

第1行->20782078。。。2078

这个值与第一个实现中相应行的第一列上的值不同

np.add.at(nArray, R, 1)

Answer 1

In [182]: R = np.random.randint(0,25,(100,2)) 
In [197]: A0=np.zeros((25,25),int)                                                                     
In [198]: for point in R: A0[tuple(point)] += 1                                                        
In [199]: A1=np.zeros((25,25),int)                                                                     
In [200]: np.add.at(A1,(R[:,0],R[:,1]),1)                                                              
In [201]: np.allclose(A0,A1)                                                                           
Out[201]: True

我用了(R[:,0],R[:,1])而不是R，因为文档上说：

如果第一个操作数有多个维度，则索引可以是类似数组的索引对象或切片对象的元组。

关于您的tolist修复：

In [216]: A2=np.zeros((25,25),int)                                                                     
In [217]: np.add.at(A2,R.T.tolist(),1)                                                                 
/usr/local/bin/ipython3:1: FutureWarning: Using a non-tuple sequence for multidimensional indexing is deprecated; use `arr[tuple(seq)]` instead of `arr[seq]`. In the future this will be interpreted as an array index, `arr[np.array(seq)]`, which will result either in an error or a different result.
#!/usr/bin/python3
In [218]: np.allclose(A0,A2)                                                                           
Out[218]: True
In [219]: A2=np.zeros((25,25),int)                                                                     
In [220]: np.add.at(A2,tuple(R.T.tolist()),1)                                                          
In [221]: np.allclose(A0,A2)                                                                           
Out[221]: True
In [208]: np.__version__                                                                               
Out[208]: '1.18.2'

Answer 2

显然，只有当R是一个numpy数组时才会发生这种情况，如果它首先被转换为列表(例如，通过.tolist(((，它的工作方式就像一样