我有以下问题：我有一个大小为(m,200)(m = 3683( 的矩阵yj，并且我有一个字典，对于每个键，返回一个 numpy 数组的行索引数组yj(对于每个键，大小数组会改变，以防万一有人想知道(。
现在，我必须多次访问这个矩阵(大约 1M 次(，并且由于索引，我的代码变慢了(我已经分析了代码，此步骤需要 65% 的时间(。
这是我尝试过的：
- 首先，使用索引进行切片：
>> %timeit yj[R_u_idx_train[1]]
10.5 µs ± 79.7 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
变量R_u_idx_train是具有行索引的字典。
- 我想也许布尔索引可能会更快：
>> yj[R_u_idx_train_mask[1]]
10.5 µs ± 159 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
R_u_idx_train_mask是一个字典，它返回大小为m的布尔数组，其中R_u_idx_train给出的索引设置为 True。
- 我也试过
np.ix_
>> cols = np.arange(0,200)
>> %timeit ix_ = np.ix_(R_u_idx_train[1], cols); yj[ix_]
42.1 µs ± 353 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
- 我也试过
np.take
>> %timeit np.take(yj, R_u_idx_train[1], axis=0)
2.35 ms ± 88.7 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
虽然这看起来很棒，但事实并非如此，因为它给出了一个形状为(R_u_idx_train[1].shape[0], R_u_idx_train[1].shape[0])的数组(应该是(R_u_idx_train[1].shape[0], 200)(。我想我没有正确使用该方法。
- 我也试过
np.compress
>> %timeit np.compress(R_u_idx_train_mask[1], yj, axis=0)
14.1 µs ± 124 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)
- 最后我尝试用布尔矩阵进行索引
>> %timeit yj[R_u_idx_train_mask2[1]]
244 µs ± 786 ns per loop (mean ± std. dev. of 7 runs, 1000 loops each)
那么，10.5 µs ± 79.7 ns per loop是我能做的最好的事情吗？我可以尝试使用cython但这似乎需要做很多工作才能索引......
多谢。
V.Ayrat 在评论中给出了一个非常聪明的解决方案。
>> newdict = {k: yj[R_u_idx_train[k]] for k in R_u_idx_train.keys()}
>> %timeit newdict[1]
202 ns ± 6.7 ns per loop (mean ± std. dev. of 7 runs, 10000000 loops each)
无论如何，也许知道是否有办法使用numpy加速它仍然很酷！