我正在使用np.dot()在NumPy中进行矩阵乘法。由于数据集非常大,我希望尽可能减少总体运行时间-即尽可能少地执行np.dot()产品。
具体地说,我需要计算整个矩阵乘积以及从我的值向量的每个元素的相关流。在NumPy中是否有一种方法可以在一个或两个np.dot()乘积中计算所有这些?在下面的代码中,是否有一种方法可以减少np.dot()乘积的数量,并且仍然得到相同的输出?
import pandas as pd
import numpy as np
vector = pd.DataFrame([1, 2, 3],
['A', 'B', 'C'], ["Values"])
matrix = pd.DataFrame([[0.5, 0.4, 0.1],
[0.2, 0.6, 0.2],
[0.1, 0.3, 0.6]],
index = ['A', 'B', 'C'], columns = ['A', 'B', 'C'])
# Can the number of matrix multiplications in this part be reduced?
overall = np.dot(vector.T, matrix)
from_A = np.dot(vector.T * [1,0,0], matrix)
from_B = np.dot(vector.T * [0,1,0], matrix)
from_C = np.dot(vector.T * [0,0,1], matrix)
print("Overall:", overall)
print("From A:", from_A)
print("From B:", from_B)
print("From C:", from_C)
如果您用来选择行的向量确实是单位向量,那么您最好不要对from_A
, from_B
, from_C
进行矩阵乘法。矩阵乘法需要更多的加法和乘法运算,而不仅仅是将矩阵的每一行乘以向量中相应的项:
from_ABC = matrix.values * vector.values
您只需要调用np.dot
来获取overall
。
您可以为这些缩放值定义一个3 x 3
形状的2D
数组,并执行矩阵乘法,如下所示-
scale = np.array([[1,0,0],[0,1,0],[0,0,1]])
from_ABC = np.dot(vector.values.ravel()*scale,matrix)
示例运行-
In [901]: from_A
Out[901]: array([[ 0.5, 0.4, 0.1]])
In [902]: from_B
Out[902]: array([[ 0.9, 1.6, 0.5]])
In [903]: from_C
Out[903]: array([[ 0.8, 1.3, 1.9]])
In [904]: from_ABC
Out[904]:
array([[ 0.5, 0.4, 0.1],
[ 0.9, 1.6, 0.5],
[ 0.8, 1.3, 1.9]])
这是np.einsum
的替代方案,可以一步完成所有这些-
np.einsum('ij,ji,ik->jk',vector.values,scale,matrix)
示例运行-
In [915]: np.einsum('ij,ji,ik->jk',vector.values,scale,matrix)
Out[915]:
array([[ 0.5, 0.4, 0.1],
[ 0.9, 1.6, 0.5],
[ 0.8, 1.3, 1.9]])