在python中加速numpy循环?
考虑以下使用numpy数组的代码,这非常慢:在python中加速numpy循环?,python,loops,optimization,numpy,iteration,Python,Loops,Optimization,Numpy,Iteration,考虑以下使用numpy数组的代码,这非常慢: # Intersection of an octree and a trajectory def intersection(octree, trajectory): # Initialize numpy arrays ox = octree.get("x") oy = octree.get("y") oz = octree.get("z") oe = octree.get("extent")/2 tx
# Intersection of an octree and a trajectory
def intersection(octree, trajectory):
# Initialize numpy arrays
ox = octree.get("x")
oy = octree.get("y")
oz = octree.get("z")
oe = octree.get("extent")/2
tx = trajectory.get("x")
ty = trajectory.get("y")
tz = trajectory.get("z")
result = np.zeros(np.size(ox))
# Loop over elements
for i in range(0, np.size(tx)):
for j in range(0, np.size(ox)):
if (tx[i] > ox[j]-oe[j] and
tx[i] < ox[j]+oe[j] and
ty[i] > oy[j]-oe[j] and
ty[i] < oy[j]+oe[j] and
tz[i] > oz[j]-oe[j] and
tz[i] < oz[j]+oe[j]):
result[j] += 1
# Finalize
return result
#八叉树与轨迹的交点
def交叉点(八叉树,轨迹):
#初始化numpy数组
ox=八叉树。获取(“x”)
oy=八叉树。获取(“y”)
oz=八叉树。获取(“z”)
oe=八叉树。获取(“范围”)/2
tx=轨迹。获取(“x”)
ty=轨迹。获取(“y”)
tz=轨迹。获取(“z”)
结果=np.零(np.大小(ox))
#环绕元件
对于范围(0,np.尺寸(tx))内的i:
对于范围(0,np.尺寸(ox))内的j:
如果(tx[i]>ox[j]-oe[j]和
tx[i]oy[j]-oe[j]和
ty[i]oz[j]-oe[j]和
tz[i]
如何重写函数以加速计算?(
np.size(tx)==10000
和np.size(ox)==100000
)您正在分配10000个大小为100000的列表。首先要做的是停止对嵌套的j
循环使用range
,而是使用生成器版本xrange
。这将节省您分配所有这些列表的时间和空间
下一步是使用矢量化操作:
for i in xrange(0, np.size(tx)):
index = (ox-oe < tx[i]) & (ox+oe > tx[i]) & (oy-oe < ty[i]) & (oy+oe > ty[i]) & (oz-oe < tz[i]) & (oz+oe > tz[i])
result[index] += 1
X范围(0,np.尺寸(tx))中的i的
指数=(ox oetx[i])&(oy oety[i])&(oz oetz[i])
结果[索引]+=1
在PyPy下运行此代码可能会得到很好的结果:(上的NumPy集成说明)我认为这将为双循环提供相同的结果,并且速度更快:
for j in xrange(np.size(ox)):
result[j] += sum( abs(tx-ox[j])<oe[j] & abs(ty-oy[j])<oe[j] & abs(tz-oz[j])<oe[j] )
X范围内j的(np.尺寸(ox)):
结果[j]+=sum(abs(tx ox[j])你是否也考虑使用OpenCL?我不需要完整的性能,我只是想要一个原始的速度。从点TX,TY,TZ构建一个<代码> SimPix.Stult.KDTree < /C>,然后在无穷大范数中使用最邻近的查找,在Ox,Oy,Oz中的每个点上,看看是否有足够的点接近。你考虑过使用Cython吗?我已经读过了。给我一点时间,下一个就要来了:)好的,矢量化的形式是(可能需要检查条件),但是,当您修改了您的问题以回应我的原始答案时,部分答案变得无关紧要,即使这仍然是在数据不颠簸的情况下要做的一个很好的初始步骤:)