如何在 NumPy 中對映函式

若要將純量 Python 函式套用至 NumPy 陣列中的每個值，可以用 numpy.vectorize() 包裝該函式，或使用 Python 的 map() 搭配 lambda，再將結果轉換為陣列。當你想重用純量邏輯時，這兩種方式都很實用；但它們不能與 NumPy 原生的陣列運算混為一談。若 NumPy 已提供等效運算，通常直接使用該運算更合適。

使用 numpy.vectorize() 將函式逐一套用至元素

numpy.vectorize() 能調整一次只接受單一值的函式，讓你可以用陣列呼叫它。它會逐一處理陣列中的元素，並回傳由運算結果組成的陣列。若既有的 Python 邏輯是為純量值撰寫，而你想將它用於陣列資料，這種方式會很方便。

以下範例會包裝一個將輸入值平方的純量函式，再將它套用至五個整數：

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)

在此，square 仍是一般的 Python 函式；np.vectorize() 提供以陣列呼叫函式的介面。它只是便利包裝器，並非效能最佳化：不會將函式轉換為已編譯的 NumPy 運算。若是 NumPy 已支援的算術運算，例如 values ** 2，直接使用這類運算式會更簡潔，也會直接使用 NumPy 的陣列運算。當包裝純量邏輯能讓程式碼更清楚或更容易重用時，再使用 numpy.vectorize()。

使用 map() 搭配 lambda 函式

Python 內建的 map() 會對可疊代物件中的每個項目呼叫一次函式。lambda 可以簡潔地在行內定義小型函式。輸入若是 NumPy 陣列，map() 會產生包含映射結果的迭代器；用 list() 包裝該迭代器，再將產生的清單傳給 np.array()，即可建立陣列。

以下範例使用 lambda 將相同的值平方，再把映射結果轉換為 NumPy 陣列：

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)

lambda 會分別接收陣列中的每個值，而 map() 會依序產生各值的平方結果。將迭代器轉換為清單時會逐一取出其中的值；接著 np.array() 會根據這些值建立陣列。若只是短小的純量運算，而且適合直接寫在映射呼叫旁邊，這種方式就很實用。若邏輯較長，則可改為定義具名函式，讓程式碼更容易閱讀與維護，並將該函式傳給 map() 取代 lambda。

若想為既有的純量函式提供陣列形式的呼叫介面，可選擇 numpy.vectorize()。若要進行簡短的行內轉換，尤其是轉換前會用到產生的迭代器，則可選擇搭配 lambda 的 map()。像是將所有值平方這類運算，若 values ** 2 能表達預期的計算方式，請優先使用 NumPy 的直接運算式。這些方法代表套用 Python 邏輯的不同方式，並不能據此認定其中一種映射方式比另一種更快。