फिर भी एक अन्य विकल्प einsum
या तो सरणियों के लिए कार्य का उपयोग करना है :
In [1]: import numpy as np
In [2]: a = np.arange(1200.0).reshape((-1,3))
In [3]: %timeit [np.linalg.norm(x) for x in a]
100 loops, best of 3: 3.86 ms per loop
In [4]: %timeit np.sqrt((a*a).sum(axis=1))
100000 loops, best of 3: 15.6 µs per loop
In [5]: %timeit np.sqrt(np.einsum('ij,ij->i',a,a))
100000 loops, best of 3: 8.71 µs per loop
या वैक्टर:
In [5]: a = np.arange(100000)
In [6]: %timeit np.sqrt(a.dot(a))
10000 loops, best of 3: 80.8 µs per loop
In [7]: %timeit np.sqrt(np.einsum('i,i', a, a))
10000 loops, best of 3: 60.6 µs per loop
हालांकि, ऐसा लगता है कि इसे कॉल करने से जुड़े कुछ ओवरहेड हैं जो इसे छोटे इनपुट के साथ धीमा बना सकते हैं:
In [2]: a = np.arange(100)
In [3]: %timeit np.sqrt(a.dot(a))
100000 loops, best of 3: 3.73 µs per loop
In [4]: %timeit np.sqrt(np.einsum('i,i', a, a))
100000 loops, best of 3: 4.68 µs per loop
linalg.norm
नीचे बताए अनुसार उपयोग करता हूं । लेकिन आपके लैम्ब्डा चीज़ की तुलना में थोड़ा सरल, बिना किसी आयात की आवश्यकता के, बस हैsum(x*x)**0.5