这是向量化方法-
def slicer_vectorized(a,start,end): b = a.view((str,1)).reshape(len(a),-1)[:,start:end] return np.fromstring(b.tostring(),dtype=(str,end-start))
样品运行-
In [68]: a = np.array(['hello', 'how', 'are', 'you'])In [69]: slicer_vectorized(a,1,3)Out[69]: array(['el', 'ow', 're', 'ou'], dtype='|S2')In [70]: slicer_vectorized(a,0,3)Out[70]: array(['hel', 'how', 'are', 'you'], dtype='|S3')
运行时测试-
测试其他作者发布的所有方法，这些方法可以在最后使用，并且还包括本文前面的矢量化方法。
时间到了-
In [53]: # Setup input array ...: a = np.array(['hello', 'how', 'are', 'you']) ...: a = np.repeat(a,10000) ...:# @Alberto Garcia-Raboso's answerIn [54]: %timeit slicer(1, 3)(a)10 loops, best of 3: 23.5 ms per loop# @hapaulj's answerIn [55]: %timeit np.frompyfunc(lambda x:x[1:3],1,1)(a)100 loops, best of 3: 11.6 ms per loop# Using loop-comprehensionIn [56]: %timeit np.array([i[1:3] for i in a])100 loops, best of 3: 12.1 ms per loop# From this postIn [57]: %timeit slicer_vectorized(a,1,3)1000 loops, best of 3: 787 µs per loop
