我正在用numpy（python2.7）从1d数组构建2d数组。我在寻找最有效的方法。最新的发现是：

a=np.ones(100000)

#   SUBSCRIPTING

n_dim=3
x=0

for i in xrange(0,1000):
    x=np.zeros(shape=(100000,n_dim))
    for j in xrange(0,n_dim):
        x[:,j]=a*j

# ~1.574 s/1000 loops - joinind 3 1d arrays
# ~9.162 s/1000 loops - joinind 10 1d arrays



#   STACKING

for i in xrange(0,1000):
    x=a*0.
    for j in xrange(1,n_dim):
        x=np.vstack((x,a*j))
    x=x.T

# ~1.786 s/1000 loops - joinind 3 1d arrays
# ~16.603 s/1000 loops - joinind 10 1d arrays

第一种方法（下标）是我想出的最快的方法，与第二种方法（叠加）相比，性能的提高随着我加入的一维数组的数量而增加。由于我需要重复这一步，我想知道是否有更快的方法？如果解决方案提供了显著的性能提升，那么我愿意使用这种方案。在

也许我可以尝试以一种限制堆叠操作次数的方式堆叠阵列（例如，将4个1d阵列连接起来：首先堆叠阵列1和2，然后堆叠阵列3和4，最后再堆叠结果阵列）。在

我的问题是如何从一维阵列高效地构建二维阵列。我在这里使用的数组中的值是虚拟的。在实际应用程序中，我加入的一维数组中的大多数值可能会有所不同。在

Tags：

方法innumpyfornponeszeros数组性能dimarraysloopsxrangesubscriptingjoinind2条回答网友

1楼 ·

编辑于 2023-03-06 23:30:51

因为numpy将数组（默认情况下）存储在row-major order中，按行设置值更有效。因此，我将使用：

x=np.zeros(shape=(n_dim, 100000))
for j in range(0,n_dim):
    x[j,:]=a*j

或者，您可以将x定义为列major，然后，这与前面的代码一样快：

^{pr2}$

您还可以使用numpy外部产品创建x：

v = np.arange(n_dim)
x = np.outer(v, a)

网友

2楼 ·

编辑于 2023-03-06 23:30:51

这是使用vstack的糟糕方法；您反复调用它，为每个j创建一个新的x

x=a*0.
for j in xrange(1,n_dim):
    x=np.vstack((x,a*j))
x=x.T

正确的方法是构建一个数组列表，并且只使用vstack一次。在

^{pr2}$

在这种情况下，append与vstack一样工作，可能更快。还有一个column_stack函数。关键的区别是我利用了快速列表追加，以及array（和vstack）在其参数列表中获取许多项的能力。在

如果你能把循环写成一个列表理解，那就更好了

x = np.array([a*j for j in xrange(1,n_dim)])

在预先分配的数组中插入通常是最快的选择。但是您应该熟悉这种从列表构建的方法。在

基本np.array表达式

np.array([[1,2,3],[4,5,6]])

就是这样，从1d数组的列表（或者在本例中是列表）构建2d。在

np.array([a*0,a*1,a*2])

jakub注意到{}速度很慢。对于n_dim=10：

In [257]: timeit x=np.array([(a*j) for j in range(n_dim)]).T
1 loops, best of 3: 228 ms per loop

In [258]: timeit x=np.array([(a*j).tolist() for j in range(n_dim)]).T
1 loops, best of 3: 228 ms per loop

显然，np.array正在将输入数组转换为列表，然后从嵌套列表（或类似的东西）中执行其通常的构造。在

In [259]: timeit x=np.vstack([(a*j) for j in range(n_dim)]).T
10 loops, best of 3: 24.9 ms per loop

数组列表上的vstack要快得多。比迭代的vstack（我预期的）快。基本上与Ramon's行插入（和插入order='F'）相同

In [272]: %%timeit
x=np.zeros((n_dim,a.shape[0]))
for j in range(n_dim):
   x[j,:]=a*j
   .....: x=x.T
   .....: 
10 loops, best of 3: 23.3 ms per loop

当concatenate（由vstack使用）被编译时，我怀疑它做了类似于迭代插入的操作。在源代码中，通常创建一个空的目标数组，然后用适当的值填充它。在