Python 在numpy中执行多种方法

早上好， 我正在实施克雷斯曼过滤器，用于在Numpy中进行距离加权平均。。我使用球树实现（感谢Jake VanderPlas）返回请求数组中每个点的位置列表。。查询数组（q）是[n，3]的形状，在每个点上都有x，y，z，我想对树中存储的点进行加权平均。。环绕树的代码返回一定距离内的点，因此我得到一个可变长度数组。。 我使用where来查找非空条目（即影响半径内至少有一些点的位置），创建isgood数组

然后我循环所有查询点以返回self.z值的加权平均值（注意，这可以是dims=1或dims=2以允许多个共网格）

所以，使用map或其他更快的方法所能解决的问题是，阵列在自身距离和自身位置内的长度不均匀性。。。我对numpy/python还是相当生疏，但我想不出一种方法来实现这一数组方式（即不返回循环）

所以。。。有没有关于如何加速循环的提示

---

对于一个典型的映射，用于将天气雷达数据从距离、方位角、仰角网格映射到笛卡尔网格，其中我有240x240x34个点和4个变量，需要99秒来查询树（由Jake用C和cython编写。这是一个困难的步骤，因为您需要搜索数据！）和100秒来进行计算。。。我认为哪一个比较慢？？我的头顶在哪里？np.mean是有效的还是被称为数百万次的，这里有加速吗？我会通过使用float32而不是default64获得收益吗。。。或者甚至缩放到整数（这将很难避免在权重中出现环绕…感谢您的任何提示！

您可以在以下位置找到关于Cressman方案与使用高斯权重函数的相对优点的讨论：

关键是将平滑参数与数据相匹配（我建议使用接近数据点之间平均间距的值）。了解平滑参数后，可以将“影响半径”设置为等于权重函数降至0.01（或任何值）的半径

---

速度有多重要？如果您愿意，您可以为一些固定数量的半径增量编制一个离散的权重表，而不是调用指数函数来确定权重，这将大大加快计算速度。理想情况下，您应该在网格边界之外拥有可用于值映射的数据围绕网格点（甚至在网格的边界点上）。请注意，这不是一个真正的插值方案-它不会精确返回数据点处的观察值。与Cressman方案一样，它是一个低通文件管理器。

您是否尝试在代码上运行探查器？尝试在循环外预计算roi2和dist2，并使用乘法（r[isgood]*r[isgood]）代替**。使用np.empty代替np.zero。只需使用time.time（）和timeit进行简单的计时测试…是的。我引用了你的OBAN（DWA vrs linear，即Vaghan和Mohr）论文：）。。。换成巴恩斯就是改变重量的函数形式。。。编写此代码的要点是重新排序的不灵活性。。。最后我想用它来校准雷达网络。。。这将适用于点的任意分散和查询点的任意集。。例如，获取站点上方的列非常快速和简单。。。

self.locations, self.distances = self.tree.query_radius( q, r, return_distance=True)
t2=time()
if debug: print "Removing voids"
isgood=np.where( np.array([len(x) for x in self.locations])!=0)[0]
interpol = np.zeros( (len(self.locations),) + np.shape(self.z[0]) )
interpol.fill(np.nan)
for dist, ix, posn, roi in zip(self.distances[isgood], self.locations[isgood], isgood, r[isgood]):
    interpol[isgood[jinterpol]] = np.average(self.z[ix], weights=(roi**2-dist**2) / (roi**2 + dist**2), axis=0)
    jinterpol += 1