HOWTO · NumPy
Como mapear uma função no NumPy
Aplique uma função Python a cada valor de um array NumPy com numpy.vectorize() ou map() e uma lambda. Veja como cada abordagem funciona e quando usar cada uma.
Nesta página
Para aplicar uma função escalar do Python a cada valor de um array NumPy, use numpy.vectorize() para encapsular a função ou use map() do Python com uma lambda e converta o resultado em um array. As duas abordagens são úteis quando você quer reutilizar lógica escalar; nenhuma deve ser confundida com as operações nativas de array do NumPy, que geralmente são a melhor opção quando há uma operação equivalente disponível.
Use numpy.vectorize() para aplicar uma função elemento a elemento
numpy.vectorize() adapta uma função que recebe um valor por vez para que você possa chamá-la com um array. Ela aplica a função encapsulada elemento a elemento e retorna um array de resultados. Isso é conveniente quando a lógica Python existente foi escrita para valores escalares e você quer usá-la com dados em arrays.
O exemplo encapsula uma função escalar que eleva a entrada ao quadrado e, em seguida, aplica essa função a cinco números inteiros:
import numpy as np
def square(value):
return value ** 2
values = np.array([1, 2, 3, 4, 5])
square_each = np.vectorize(square)
result = square_each(values)
print(result)
Aqui, square continua sendo uma função Python comum; np.vectorize() fornece uma interface de chamada orientada a arrays. É um recurso de conveniência, não uma otimização de desempenho: ele não transforma a função em uma operação NumPy compilada. Para operações aritméticas já compatíveis com o NumPy, uma expressão como values ** 2 é mais simples e usa diretamente a operação de array do NumPy. Use numpy.vectorize() quando adaptar a lógica escalar deixar o código mais claro ou facilitar sua reutilização.
Use map() com uma função lambda
A função integrada map() do Python chama uma função uma vez para cada item de um iterável. Uma lambda é uma forma compacta de definir uma função pequena diretamente no local de uso. Quando a entrada é um array NumPy, map() produz um iterador com os valores transformados; envolva esse iterador com list() e passe a lista resultante para np.array() para criar um array.
Este exemplo usa uma lambda para elevar os mesmos valores ao quadrado e, em seguida, converte os valores transformados em um array NumPy:
import numpy as np
values = np.array([1, 2, 3, 4, 5])
mapped_values = map(lambda value: value ** 2, values)
result = np.array(list(mapped_values))
print(result)
A lambda recebe separadamente cada valor do array, e map() fornece cada quadrado resultante em sequência. Converter o iterador em uma lista o consome; em seguida, np.array() cria um array com esses valores. Essa abordagem é útil para uma operação escalar curta que faz sentido junto à chamada de mapeamento. Para uma lógica mais longa, defina uma função nomeada, que será mais fácil de ler e manter, e passe essa função para map() no lugar da lambda.
Escolha numpy.vectorize() quando quiser uma interface com formato de array em torno de uma função escalar existente. Escolha map() com uma lambda para uma transformação pequena e definida no próprio local, especialmente quando o iterador resultante for útil antes da conversão. Para operações como elevar todos os valores ao quadrado, prefira a expressão direta do NumPy values ** 2 quando ela representar o cálculo desejado. Essas opções descrevem maneiras diferentes de aplicar lógica Python; elas não demonstram que uma abordagem de mapeamento seja mais rápida que a outra.