Python NumPy阵列中的矢量化迭代加法
对于二维索引随机数组中的每个元素(具有潜在的重复项),我希望将“+=1”添加到二维零数组中相应的网格中。然而,我不知道如何优化计算。使用循环的标准,如下所示Python NumPy阵列中的矢量化迭代加法,python,loops,numpy,optimization,vectorization,Python,Loops,Numpy,Optimization,Vectorization,对于二维索引随机数组中的每个元素(具有潜在的重复项),我希望将“+=1”添加到二维零数组中相应的网格中。然而,我不知道如何优化计算。使用循环的标准,如下所示 def interadd(): U = 100 input = np.random.random(size=(5000,2)) * U idx = np.floor(input).astype(np.int) grids = np.zeros((U,U)) for i in rang
def interadd():
U = 100
input = np.random.random(size=(5000,2)) * U
idx = np.floor(input).astype(np.int)
grids = np.zeros((U,U))
for i in range(len(input)):
grids[idx[i,0],idx[i,1]] += 1
return grids
运行时可能非常重要:
>> timeit(interadd, number=5000)
43.69953393936157
有没有一种方法可以将这个迭代过程矢量化?您可以通过使用来稍微加快它,它可以正确地处理重复索引的情况:
def interadd(U, idx):
grids = np.zeros((U,U))
for i in range(len(idx)):
grids[idx[i,0],idx[i,1]] += 1
return grids
def interadd2(U, idx):
grids = np.zeros((U,U))
np.add.at(grids, idx.T.tolist(), 1)
return grids
def interadd3(U, idx):
# YXD suggestion
grids = np.zeros((U,U))
np.add.at(grids, (idx[:,0], idx[:,1]), 1)
return grids
给
>>> U = 100
>>> idx = np.floor(np.random.random(size=(5000,2))*U).astype(np.int)
>>> (interadd(U, idx) == interadd2(U, idx)).all()
True
>>> %timeit interadd(U, idx)
100 loops, best of 3: 8.48 ms per loop
>>> %timeit interadd2(U, idx)
100 loops, best of 3: 2.62 ms per loop
以及YXD的建议:
>>> (interadd(U, idx) == interadd3(U, idx)).all()
True
>>> %timeit interadd3(U, idx)
1000 loops, best of 3: 1.09 ms per loop
您可以将
R,C
索引从idx
转换为线性索引,然后找出唯一的索引及其计数,最后将它们存储在输出网格中作为最终输出。下面是实现相同目标的实现-
# Calculate linear indices corressponding to idx
lin_idx = idx[:,0]*U + idx[:,1]
# Get unique linear indices and their counts
unq_lin_idx,idx_counts = np.unique(lin_idx,return_counts=True)
# Setup output array and store index counts in raveled/flattened version
grids = np.zeros((U,U))
grids.ravel()[unq_lin_idx] = idx_counts
运行时测试-
以下是涵盖所有方法(包括)并使用该解决方案中列出的相同定义的运行时测试-
In [63]: U = 100
...: idx = np.floor(np.random.random(size=(5000,2))*U).astype(np.int)
...:
In [64]: %timeit interadd(U, idx)
100 loops, best of 3: 7.57 ms per loop
In [65]: %timeit interadd2(U, idx)
100 loops, best of 3: 2.59 ms per loop
In [66]: %timeit interadd3(U, idx)
1000 loops, best of 3: 1.24 ms per loop
In [67]: def unique_counts(U, idx):
...: lin_idx = idx[:,0]*U + idx[:,1]
...: unq_lin_idx,idx_counts = np.unique(lin_idx,return_counts=True)
...: grids = np.zeros((U,U))
...: grids.ravel()[unq_lin_idx] = idx_counts
...: return grids
...:
In [68]: %timeit unique_counts(U, idx)
1000 loops, best of 3: 595 µs per loop
运行时表明,建议的基于np.unique
的方法比第二快的方法快50%以上。Divakar的回答让我尝试以下方法,这似乎是迄今为止最快的方法:
lin_idx = idx[:,0]*U + idx[:,1]
grids = np.bincount(lin_idx, minlength=U**2).reshape(U, U)
时间:
In [184]: U = 100
...: input = np.random.random(size=(5000,2)) * U
...: idx = np.floor(input).astype(np.int)
In [185]: %timeit interadd3(U, idx) # By DSM / XYD
1000 loops, best of 3: 1.68 ms per loop
In [186]: %timeit unique_counts(U, idx) # By Divakar
1000 loops, best of 3: 676 µs per loop
In [187]: %%timeit
...: lin_idx = idx[:,0]*U + idx[:,1]
...: grids = np.bincount(lin_idx, minlength=U*U).reshape(U, U)
...:
10000 loops, best of 3: 97.5 µs per loop
键入的内容几乎相同。您可以将idx.T.tolist()
更改为(idx[:,0],idx[:,1])
,应该更快。np.unique
使用后台排序,因此时间复杂度比np.add.at
更高,但另一方面,你的方法对网格
数组具有更快的内存访问模式。@moarningsun是的,我认为它使用排序
和区分
。我想这在更快的运行时上是有意义的。想知道add.at
到底发生了什么会很有趣。这让我想到了一个有趣的方法:grids=np.bincount(lin_idx,minlength=U**2)。重塑(U,U)
@moarningsunbincount
肯定是另一种看待add.at
的方法,而且可能更快。发布一个解决方案,看看它的时间安排是否更好?似乎有了巨大的改进!