Mengalikan dalam larik numpy

Saya mencoba mengalikan masing-masing istilah dalam array 2D dengan istilah yang sesuai dalam array 1D. Ini sangat mudah jika saya ingin mengalikan setiap kolom dengan array 1D, seperti yang ditunjukkan pada numpy.multiply fungsi . Tapi saya ingin melakukan yang sebaliknya, mengalikan setiap suku di baris. Dengan kata lain saya ingin memperbanyak:

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

dan dapatkan

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

tapi malah saya dapatkan

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

Adakah yang tahu jika ada cara elegan untuk melakukannya dengan numpy? Terima kasih banyak, Alex

Perkalian normal seperti yang Anda tunjukkan:

>>> 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]])

Jika Anda menambahkan sumbu, itu akan mengalikan seperti yang Anda inginkan:

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

Anda juga dapat mengubah urutan dua kali:

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

Saya telah membandingkan opsi kecepatan yang berbeda dan menemukan bahwa - sangat mengejutkan saya - semua opsi (kecuali diag) sama cepatnya. Saya pribadi menggunakan

A * b[:, None]

(atau (A.T * b).T) karena pendek.

Kode untuk mereproduksi plot:

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(13)],
    xlabel="len(A), len(b)",
)

Anda juga bisa menggunakan perkalian matriks (alias perkalian titik):

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

numpy.dot(c,a)

Mana yang lebih elegan mungkin soal selera.

Namun trik lain (pada v1.6)

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

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

Saya mahir dengan penyiaran numpy ( newaxis), tetapi saya masih menemukan cara untuk menggunakan einsumalat baru ini . Jadi saya bermain-main sedikit untuk menemukan solusi ini.

Pengaturan waktu (menggunakan waktu Ipython):

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

Kebetulan, mengubah ike j, np.einsum('ij,j->ij',A,b), menghasilkan matriks yang Alex tidak mau. Dan np.einsum('ji,j->ji',A,b), pada dasarnya, transpose ganda.

Bagi mereka yang kehilangan jiwa di google, menggunakan numpy.expand_dimsthen numpy.repeatakan berhasil, dan juga akan berfungsi dalam kasus dimensi yang lebih tinggi (yaitu mengalikan bentuk (10, 12, 3) dengan (10, 12)).

>>> 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]])

Mengapa Anda tidak melakukannya saja

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

??