Broadcasting, numpy.newaxis

numpy를 자주 쓰다 보면 사용하면 Broadcasting!

https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html

Broadcasting — NumPy v1.16 Manual

weight covariance matrix를 사용할 때 다음과같이 각각의 Weight가 있다고 할 때 기존 코드에서는 제공되지 않는다.

data = np.random.normal(size=[100, 5])
weights = np.random.random(100)

def covariation(data, weights):
    weights = weights / weights.sum()
    return data.T.dot(weights[:, np.newaxis] * data)

np.cov(data.T)

https://ita9naiwa.github.io/numeric%20calculation/2018/11/10/Einsum.html

Einsum에 대해 간략한 정리 - 수원혼모노이현성

 

Pairwise distances between vectors

3가지 방법!!

X = np.random.normal(size=[1000, 100])

## broadcast를 사용해서 거리 재기
distances = ((X[:, np.newaxis, :] - X[np.newaxis, :, :]) ** 2).sum(axis=2) ** 0.5

## product를 사용해서 빠르게 계산하기

products = X.dot(X.T)
distances2 = products.diagonal()[:, np.newaxis] + products.diagonal()[np.newaxis, :]  - 2 * products
distances2 **= 0.5


## sklearn으로 쉽게 거리재기!

from sklearn.metrics.pairwise import pairwise_distances
distances_sklearn = pairwise_distances(X)