Performance 大数据集范围内的值

我有一个似乎无法解决的问题。我需要一个查询来确定给定的值是否在预定义的范围内，但是对于大型数据集，我的循环非常慢。有没有更有效的方法

clear all
close all

Regression(1,1) = 1.001415645694801;
Regression(1,2) = 0.043822386790753;

FF_Value(:,1) = [24.24 30.77 31.37 29.05 29.20 29.53 29.67 27.78];
FF_Value(:,2) = [24.16 30.54 31.15 29.53 29.39 29.34 29.53 28.17];

FF_Distance = FF_Value(:,2)-(Regression(1,2)+Regression(1,1)*FF_Value(:,1));

FF_Distance_Positiv = sort(FF_Distance(FF_Distance > 0));
FF_Distance_Positiv(FF_Distance_Positiv == 0) = [];

FF_Distance_Negativ = sort(FF_Distance(FF_Distance < 0),'descend');
FF_Distance_Negativ(FF_Distance_Negativ == 0) = [];

A = repmat(FF_Distance_Positiv,length(FF_Distance_Negativ),1);
B = repmat(FF_Distance_Negativ',length(FF_Distance_Positiv),1);
C = reshape(B,[length(FF_Distance_Positiv)*length(FF_Distance_Negativ),1]);

Recognition(:,1) = A;
Recognition(:,2) = C;

FF_Recognition = zeros(length(FF_Value),1);
for i = 1:length(Recognition)
    for j = 1:length(FF_Value)
       if (Regression(1,2)+Recognition(i,1))+Regression(1,1)*FF_Value(j,1) >= FF_Value(j,2)     &&...
            (Regression(1,2)+Recognition(i,2))+Regression(1,1)*FF_Value(j,1) <= FF_Value(j,2)
        FF_Recognition(j,1) = 1;
    end 
end
end

全部清除
全部关闭
回归（1,1）=1.001415645694801；
回归（1,2）=0.043822386790753；
FF_值（：，1）=[24.24 30.77 31.37 29.05 29.20 29.53 29.67 27.78]；
FF_值（：，2）=[24.16 30.54 31.15 29.53 29.39 29.34 29.53 28.17]；
FF_距离=FF_值（：，2）-（回归（1,2）+回归（1,1）*FF_值（：，1））；
FF_距离_正值=排序（FF_距离（FF_距离>0））；
FF_距离_正值（FF_距离_正值==0）=[]；
FF_距离\负=排序（FF_距离（FF_距离<0），“下降”）；
距离负（距离负=0）=[]；
A=repmat（正距离，负距离），长度为1；
B=repmat（负向距离），长度（正向距离），1；
C=重塑（B，[长度（正距离）×长度（负距离），1]）；
识别（：，1）=A；
识别（：，2）=C；
FF_识别=零（长度（FF_值），1）；
对于i=1：长度（识别）
对于j=1：长度（FF_值）
如果（回归（1,2）+识别（i，1））+回归（1,1）*FF_值（j，1）>=FF_值（j，2）&。。。
（回归（1,2）+识别（i,2））+回归（1,1）*FF_值（j，1）欢迎来到的世界，取代你的
-

%------------ Original code -----------------------------------------

FF_Distance = FF_Value(:,2)-(Regression(1,2)+Regression(1,1)*FF_Value(:,1));

FF_Distance_Positiv = sort(FF_Distance(FF_Distance > 0));
FF_Distance_Positiv(FF_Distance_Positiv == 0) = [];

%// Note for Performance: If number of elements satisfying `FF_Distance_Positiv == 0`
%// is a lot, consider doing this instead - 
%// `FF_Distance_Positiv = FF_Distance_Positiv(FF_Distance_Positiv~=0)`.
%// Follow this strategy for `FF_Distance_Negativ` too.

FF_Distance_Negativ = sort(FF_Distance(FF_Distance < 0),'descend');
FF_Distance_Negativ(FF_Distance_Negativ == 0) = [];

%------- Added vectorization replacing `repmats` and nested loops ------------

mult = Regression(1,1)*FF_Value(:,1);

y1 = bsxfun(@plus,Regression(1,2),FF_Distance_Positiv);
y2 = bsxfun(@plus,y1.',mult); %//'
mc1 = bsxfun(@ge,y2,FF_Value(:,2));

z1 = bsxfun(@plus,Regression(1,2),FF_Distance_Negativ);
z2 = bsxfun(@plus,z1.',mult); %//'
mc2 = bsxfun(@le,z2,FF_Value(:,2));

FF_Recognition = all([any(mc1,2) any(mc2,2)],2);

%-----------原始代码-----------------------------------------
FF_距离=FF_值（：，2）-（回归（1,2）+回归（1,1）*FF_值（：，1））；
FF_距离_正值=排序（FF_距离（FF_距离>0））；
FF_距离_正值（FF_距离_正值==0）=[]；
%//性能注意事项：如果满足'FF_Distance_positive==0的元素数`
%//是很多，考虑这样做，
%//`FF_Distance_positive=FF_Distance_positive（FF_Distance_positive~=0）`。
%//也要遵循“FF\u Distance\u negative”这一策略。
FF_距离\负=排序（FF_距离（FF_距离<0），“下降”）；
距离负（距离负=0）=[]；
%-------添加了矢量化以替换“repmats”和嵌套循环------------
mult=回归（1,1）*FF_值（：，1）；
y1=bsxfun（@plus，回归（1,2），FF_距离_正值）；
y2=bsxfun（@plus，y1'，mult）；%/'
mc1=bsxfun（@ge，y2，FF_值（：，2））；
z1=bsxfun（@plus，回归（1,2），FF_距离_负）；
z2=bsxfun（@plus，z1'，mult）；%/'
mc2=bsxfun（@le，z2，FF_值（：，2））；
FF_识别=所有（[任何（mc1,2）任何（mc2,2）]，2）；
不，零也可以：）
@Mario
你理想的“大”数据集是什么？
@Mario
你在
for
循环中的最后一个if条件有括号失衡（我想）。我会用我的matlab脚本来做，但是你能确认并编辑代码片段吗？此外，您将使用
结束for和if条件…不要那样做。是的，我当然会这样做
@mario
您已经预先分配了结果矩阵
FF\u Recognition
，以加快处理速度。我建议您看看是否可以编写1）生成数据的脚本，即FF_值和与数据相关的内容。2） 编写一个函数，调用脚本生成数据，并使用该函数计算FF_识别并返回结果。以下是一些固定MATLAB程序的已知技术。另外，如果您使用
浮点（零（长度（FF_值），1））
而不是NaN，也可以。试着在新代码上运行一个分析器，并进行比较，看看改进了多少！