numpy 배열에서 곱하기

2D 배열의 각 항에 1D 배열의 해당 항을 곱하려고합니다. numpy.multiply 함수에 표시된 것처럼 모든 열에 1D 배열을 곱하려는 경우 매우 쉽습니다 . 그러나 저는 반대로 행의 각 항을 곱하고 싶습니다. 즉, 곱하고 싶습니다.

[1,2,3]   [0]
[4,5,6] * [1]
[7,8,9]   [2]

그리고 얻다

[0,0,0]
[4,5,6]
[14,16,18]

그러나 대신 나는

[0,2,6]
[0,5,12]
[0,8,18]

numpy로 우아한 방법이 있는지 아는 사람이 있습니까? 고마워, Alex

당신이 보여준 것과 같은 정상적인 곱셈 :

>>> import numpy as np
>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> m * c
array([[ 0,  2,  6],
       [ 0,  5, 12],
       [ 0,  8, 18]])

축을 추가하면 원하는 방식으로 곱해집니다.

>>> m * c[:, np.newaxis]
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

두 번 전치 할 수도 있습니다.

>>> (m.T * c).T
array([[ 0,  0,  0],
       [ 4,  5,  6],
       [14, 16, 18]])

속도에 대한 여러 옵션을 비교 한 결과 놀랍게도 모든 옵션 (제외 diag)이 똑같이 빠릅니다. 나는 개인적으로

A * b[:, None]

(또는 (A.T * b).T) 짧기 때문입니다.

플롯을 재현하는 코드 :

import numpy
import perfplot


def newaxis(data):
    A, b = data
    return A * b[:, numpy.newaxis]


def none(data):
    A, b = data
    return A * b[:, None]


def double_transpose(data):
    A, b = data
    return (A.T * b).T


def double_transpose_contiguous(data):
    A, b = data
    return numpy.ascontiguousarray((A.T * b).T)


def diag_dot(data):
    A, b = data
    return numpy.dot(numpy.diag(b), A)


def einsum(data):
    A, b = data
    return numpy.einsum("ij,i->ij", A, b)


perfplot.save(
    "p.png",
    setup=lambda n: (numpy.random.rand(n, n), numpy.random.rand(n)),
    kernels=[
        newaxis,
        none,
        double_transpose,
        double_transpose_contiguous,
        diag_dot,
        einsum,
    ],
    n_range=[2 ** k for k in range(14)],
    logx=True,
    logy=True,
    xlabel="len(A), len(b)",
)

행렬 곱셈 (내적이라고도 함)을 사용할 수도 있습니다.

a = [[1,2,3],[4,5,6],[7,8,9]]
b = [0,1,2]
c = numpy.diag(b)

numpy.dot(c,a)

더 우아한 것은 아마도 취향의 문제 일 것입니다.

또 다른 트릭 (v1.6 기준)

A=np.arange(1,10).reshape(3,3)
b=np.arange(3)

np.einsum('ij,i->ij',A,b)

나는 numpy 방송 ( newaxis)에 능숙 하지만 여전히이 새로운 einsum도구에 대한 방법을 찾고 있습니다. 그래서 나는이 해결책을 찾기 위해 조금 놀았습니다.

타이밍 (Ipython timeit 사용) :

einsum: 4.9 micro
transpose: 8.1 micro
newaxis: 8.35 micro
dot-diag: 10.5 micro

부수적으로하는 변화 i로 j, np.einsum('ij,j->ij',A,b)알렉스 원하지 않는 행렬을 생성합니다. 그리고 np.einsum('ji,j->ji',A,b)사실상 이중 조옮김을합니다.

Google에서 잃어버린 영혼을 위해 numpy.expand_dimsthen numpy.repeat을 사용 하면 효과가 있으며 더 높은 차원의 경우에서도 사용할 수 있습니다 (예 : 모양 (10, 12, 3)에 a (10, 12)를 곱함).

>>> import numpy
>>> a = numpy.array([[1,2,3],[4,5,6],[7,8,9]])
>>> b = numpy.array([0,1,2])
>>> b0 = numpy.expand_dims(b, axis = 0)
>>> b0 = numpy.repeat(b0, a.shape[0], axis = 0)
>>> b1 = numpy.expand_dims(b, axis = 1)
>>> b1 = numpy.repeat(b1, a.shape[1], axis = 1)
>>> a*b0
array([[ 0,  2,  6],
   [ 0,  5, 12],
   [ 0,  8, 18]])
>>> a*b1
array([[ 0,  0,  0],
   [ 4,  5,  6],
   [14, 16, 18]])

그냥하지 그래

>>> m = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> c = np.array([0,1,2])
>>> (m.T * c).T

??