如何提高在python中查找集群的效率？

现在我正在做的项目是关于渗流的，描述如下： 一个单元上随机分布有N个半径为r的磁盘。如果磁盘足够近（在2r内），则它们已连接。连接的磁盘形成集群，随着磁盘密度的增加，将形成更多的集群。一旦密度达到阈值，正方形区域的两个相对侧将由簇连接。我的任务是找出那个阈值

现在我的算法如下：

我使用

np.random.uniform

创建一个存储N个坐标的Nx2数组

我创建了一个函数

findoverlap（坐标数组，r）

，它使用一个循环来检查两点之间的距离（如果有N个点，则有N（N-1）个检查，因为对于每个点，我检查所有其他N-1个点），如果距离足够短，我将坐标存储在字典中。 e、 g.

{0:[1,2]，1:[0,3]，2:[0]，3[1]}

表示磁盘0连接到磁盘1和磁盘2，磁盘1连接到磁盘0和磁盘3，以此类推

我使用深度优先搜索返回基于先前创建的字典的集群列表

对于每个簇，我使用一个循环来检查每个点的坐标，以查看它是否连接到墙的一侧。一旦我找到了将整个集群连接到两侧的两点，我将继续检查下一个集群

对于N的每个值，我重复整个模拟多次，以计算该密度的概率P，从而成功连接两侧。然后我改变N，得到密度和P之间的关系，这样我就可以找到阈值

因为我想尝试模拟一个无限系统，所以我需要使r尽可能小。对于r=0.02（平方面积为单位长度）和N=1000，重复模拟50次需要大约20分钟

• 如何改进代码并使其更高效
• 有没有更好的算法我可以使用

---

顺便说一句，我所学的课程是为没有编程经验的物理系一年级学生开设的，我已经完成了这个项目的所有基本任务。我想我不需要做太花哨的东西，但我还是想把它做得尽可能好。

问得好！你不能用图论来表达你的数据吗？看见