Python 仅使用NumPy优化步长函数的代码

我试图在下面的代码中仅使用NumPy函数（或者列表理解）来优化函数“pw”

屈服

15000

不相同的数据点。所以我似乎不知道如何使用“searchsorted”

编辑2

实际上我已经修好了：

pw_func = vals[inds[inds != uu.shape[0]]]

改为

pw_func = vals[inds[inds[(inds != uu.shape[0])*(inds != 0)]-1]]

因此，至少结果数组匹配。但问题仍然在于是否有更有效的方法来实现这一点

编辑3

谢谢田来指出错误。这个应该有用

pw_func = vals[inds[(inds != uu.shape[0])*(inds != 0)]-1]

也许更具可读性的表达方式是

non_endpts = (inds != uu.shape[0])*(inds != 0) # only consider the points in between the min/max data values
shift_inds = inds[non_endpts]-1       # searchsorted side='right' includes the left end point and not right end point so a shift is needed
pw_func = vals[shift_inds]

---

我想我在那些括号里迷路了！我想这就是可读性的重要性。

一个非常抽象但有趣的问题！谢谢你招待我，我玩得很开心：）

p、 我不确定您的

pw2

输出是否与

pw1

相同

参考原始

pw

s：

def pw1（x，udata）：
VAL=np.arange（1，udata.shape[0]+1）。重塑（udata.shape[0]，1）
pw_func=np.sum（其中（np.大于等于（x，udata）*np.小于（x，np.滚动（udata，-1）），vals，0），轴=0）
返回pw_func
def pw2（xx，uu）：
inds=np.searchsorted（uu，xx，side='right'）
VAL=np.arange（1，uu.shape[0]+1）
pw_func=vals[inds[inds[（inds！=uu.shape[0]）*（inds！=0）]-1]]
num_mins=np.sum（xxnp.max（uu））
pw_func=np.concatenate（（np.zeros（num_mins），pw_func，np.zeros（xx.shape[0]-pw_func.shape[0]-num_mins）））
返回pw_func

---

我的第一次尝试是利用了numpy的大量boardcasting操作：

def pw3（x，udata）：
#“无”切片用于创建新轴
步骤_bool=x>=udata[None，：].T
#我们利用布尔值是1的整数值这一事实
#跳过“数据”中的最后一个值
步进VAL=np.sum（步进bool[：-1]，轴=0）
#对于我们从上一步（最后一个索引）跳过的步骤
#我们把它设为zerp，这样我们就可以在到达时取消步长
#“数据”中的最后一个值
步长值[步长值[-1]]=0
返回步骤

在查看了您的

pw2

中的

searchsorted

之后，我找到了一种新的方法，可以以更高的性能使用它：

def pw4（x，udata）：
inds=np.searchsorted（udata，x，side='right'）
#如果x已超出数据范围，则修复最后一个数据[-1]
如果x[-1]>udata[-1]：
inds[inds==inds[-1]]=0
返回IND

---

与以下内容相关的绘图：

plt.plot（pw1（x，udata.reformate（udata.shape[0]，1）），label='pw1'）
plt.plt（pw2（x，udata），label='pw2'）
plt.plt（pw3（x，udata），label='pw3'）
plt.plt（pw4（x，udata），label='pw4'）

使用

数据=[1,3,4,5,5,7]

：

使用

data=[1,3,4,5,5,7,11]

pw1

，

pw3

，

pw4

都是相同的

print（np.all（pw1（x，udata.reformate（udata.shape[0]，1））==pw3（x，udata）））
>>>真的
打印（np.all（pw1（x，udata.reformate（udata.shape[0]，1））==pw4（x，udata）））
>>>真的

性能：（

timeit

默认运行3次，平均运行次数

number=N次）

print（timeit.Timer（'pw1（x，udata.整形（udata.shape[0]，1）），“from uuu main_uuu导入pw1，x，udata”）。重复（数字=1000））
>>> [3.1938983199979702, 1.6096494779994828, 1.962694135003403]
打印（timeit.Timer（'pw2（x，udata）'，“从主导入pw2，x，udata”）。重复（数字=1000））
>>> [0.6884554479984217, 0.6075002400029916, 0.7799002879983163]
打印（timeit.Timer（'pw3（x，udata）'，“从主导入pw3，x，udata”）。重复（数字=1000））
>>> [0.7369808239964186, 0.7557657590004965, 0.8088172269999632]
打印（timeit.Timer（'pw4（x，udata）'，“从主导入pw4，x，udata”）。重复（数字=1000））
>>> [0.20514375300263055, 0.20203858999957447, 0.19906871100101853]

pw_func = vals[inds[inds[(inds != uu.shape[0])*(inds != 0)]-1]]

pw_func = vals[inds[(inds != uu.shape[0])*(inds != 0)]-1]

non_endpts = (inds != uu.shape[0])*(inds != 0) # only consider the points in between the min/max data values
shift_inds = inds[non_endpts]-1       # searchsorted side='right' includes the left end point and not right end point so a shift is needed
pw_func = vals[shift_inds]