Python 找到与给定向量相似的所有向量的快速方法
通过“相似向量”,我定义了一个向量,它与给定向量在一个位置上的差值为-1或1。但是,如果给定元素的元素为零,则只能相差1。示例:Python 找到与给定向量相似的所有向量的快速方法,python,numpy,optimization,numeric,numerical-methods,Python,Numpy,Optimization,Numeric,Numerical Methods,通过“相似向量”,我定义了一个向量,它与给定向量在一个位置上的差值为-1或1。但是,如果给定元素的元素为零,则只能相差1。示例: similar_vectors(np.array([0,0,0])) array([[ 1., 0., 0.], [ 0., 1., 0.], [ 0., 0., 1.]]) similar_vectors(np.array([1,0,2,3,0,0,1])) array([[ 0., 0., 2., 3., 0
similar_vectors(np.array([0,0,0]))
array([[ 1., 0., 0.],
[ 0., 1., 0.],
[ 0., 0., 1.]])
similar_vectors(np.array([1,0,2,3,0,0,1]))
array([[ 0., 0., 2., 3., 0., 0., 1.],
[ 2., 0., 2., 3., 0., 0., 1.],
[ 1., 1., 2., 3., 0., 0., 1.],
[ 1., 0., 1., 3., 0., 0., 1.],
[ 1., 0., 3., 3., 0., 0., 1.],
[ 1., 0., 2., 2., 0., 0., 1.],
[ 1., 0., 2., 4., 0., 0., 1.],
[ 1., 0., 2., 3., 1., 0., 1.],
[ 1., 0., 2., 3., 0., 1., 1.],
[ 1., 0., 2., 3., 0., 0., 0.],
[ 1., 0., 2., 3., 0., 0., 2.]])
我想获得上述相似向量(vector)
函数的最快实现。它在我的模拟中运行了数百万次,长度为几十次,因此速度至关重要。我对纯numpy解决方案以及其他语言的一些包装都感兴趣。代码可以是并行的
我目前的执行情况如下:
def singleOne(length,positionOne): #generates a vector of len length filled with zeros apart from a single one at positionOne
arr=np.zeros(length)
arr[positionOne]=1
return arr
def similar_vectors(state):
connected=[]
for i in range(len(state)):
if(state[i]!=0):
connected.append(state-singleOne(state.shape[0],i))
connected.append(state+singleOne(state.shape[0],i))
return np.array(connected)
这是非常缓慢,由于for循环,我不能轻易摆脱
为了便于参考,我附上了1000次执行的相似向量(vector)
:
37003函数调用只需0.070秒
排序人:累计时间
ncalls tottime percall cumtime percall文件名:lineno(函数)
1 0.000 0.000 0.070 0.070{内置方法builtins.exec}
1 0.003 0.003 0.070 0.070 :2()
1000 0.035 0.000 0.064 0.000:6(类似的_向量)
11000.007 0.000 0.021 0.000:1(单件)
11000.014 0.000 0.014 0.000{内置方法numpy.core.multiarray.zeros}
2000 0.009 0.000 0.009 0.000{内置方法numpy.core.multiarray.array}
11000.002 0.000 0.002 0.000{“列表”对象的“附加”方法}
1000 0.000 0.000 0.000 0.000{内置方法内置.len}
1 0.000 0.000 0.000 0.000{方法'disable'的''lsprof.Profiler'对象}
这是一种矢量化方法。
您可以创建一个1s
的对角矩阵和另一个-1s
的对角矩阵,
然后将前者添加到原始数组,将后者分别添加到原始数组不为0
的位置。然后使用连接两个nArray:
def similar_vectors(a):
ones = np.ones(len(a))
w = np.flatnonzero(a!=0)
return np.concatenate([np.diag(-ones)[w]+a, np.diag(ones)+a])
样本运行 方法#1 这是一个基于掩蔽的-
def similar_vectors_masking(a):
n = len(a)
m = n*2+1
ar = np.repeat(a[None],len(a)*2,0)
ar.ravel()[::m] -= 1
ar.ravel()[n::m] += 1
mask = np.ones(len(ar),dtype=bool)
mask[::2] = a!=0
out = ar[mask]
return out
样本运行-
In [142]: similar_vectors_masking(np.array([0,0,0]))
Out[142]:
array([[1, 0, 0],
[0, 1, 0],
[0, 0, 1]])
In [143]: similar_vectors_masking(np.array([1,0,2,3,0,0,1]))
Out[143]:
array([[0, 0, 2, 3, 0, 0, 1],
[2, 0, 2, 3, 0, 0, 1],
[1, 1, 2, 3, 0, 0, 1],
[1, 0, 1, 3, 0, 0, 1],
[1, 0, 3, 3, 0, 0, 1],
[1, 0, 2, 2, 0, 0, 1],
[1, 0, 2, 4, 0, 0, 1],
[1, 0, 2, 3, 1, 0, 1],
[1, 0, 2, 3, 0, 1, 1],
[1, 0, 2, 3, 0, 0, 0],
[1, 0, 2, 3, 0, 0, 2]])
方法#2
对于零主填充数组,我们最好使用np复制到精确的输出大小。重复并再次使用一点掩蔽来增加和减少1s
,如下所示-
def similar_vectors_repeat(a):
mask = a!=0
ra = np.arange(len(a))
r = mask+1
n = r.sum()
ar = np.repeat(a[None],n,axis=0)
add_idx = r.cumsum()-1
ar[add_idx,ra] += 1
ar[(add_idx-1)[mask],ra[mask]] -= 1
return ar
标杆管理
大型阵列上所有已发布方法的计时-
In [414]: # Setup input array with ~80% zeros
...: np.random.seed(0)
...: a = np.random.randint(1,5,(5000))
...: a[np.random.choice(range(len(a)),int(len(a)*0.8),replace=0)] = 0
In [415]: %timeit similar_vectors(a) # Original soln
...: %timeit similar_vectors_flatnonzero_concat(a) # @yatu's soln
...: %timeit similar_vectors_v2(a) # @Brenlla's soln
...: %timeit similar_vectors_masking(a)
...: %timeit similar_vectors_repeat(a)
1 loop, best of 3: 195 ms per loop
1 loop, best of 3: 234 ms per loop
1 loop, best of 3: 231 ms per loop
1 loop, best of 3: 238 ms per loop
10 loops, best of 3: 82.8 ms per loop
只是关于Yatu代码的注释。您可以就地添加并更改dtype
,以获得大约33%的性能提升:
def similar_vectors_v2(a):
eye = np.eye(len(a), dtype=a.dtype)
neg_eye = -(eye[a!=0])
eye += a
neg_eye +=a
return np.concatenate([neg_eye, eye])
另外,对于非常大的输出,去掉连接可能有助于使用Numba的两种解决方案
@nb.njit()
def similar_vectors_nb(data):
n=data.shape[0]
out=np.empty((n*2,n),dtype=data.dtype)
ii=0
for i in range(n):
if data[i]==0:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
else:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
out[ii,:]=data[:]
out[ii,i]-=1
ii+=1
return out[0:ii,:]
@nb.njit()
def similar_vectors_nb_2(data):
n=data.shape[0]
#Determine the final array size
num=0
for i in range(n):
if data[i]==0:
num+=1
else:
num+=2
out=np.empty((num,n),dtype=data.dtype)
ii=0
for i in range(n):
if data[i]==0:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
else:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
out[ii,:]=data[:]
out[ii,i]-=1
ii+=1
return out
基准测试
#https://github.com/MSeifert04/simple_benchmark
from simple_benchmark import benchmark
np.random.seed(0)
data=[]
for i in range(10,1000,10):
a = np.random.randint(1,5,(i))
a[np.random.choice(range(len(a)),int(len(a)*0.5),replace=0)] = 0
data.append(a)
arguments = arguments = {10*i: data[i] for i in range(len(data))}
b = benchmark([similar_vectors_nb,similar_vectors_nb_2,similar_vectors_yatu,similar_vectors_Brenlla,similar_vectors_repeat_Divakar,similar_vectors_masking_Divakar], arguments, warmups=[similar_vectors_nb,similar_vectors_nb_2])
%matplotlib notebook
b.plot()
谢谢你的回答!这确实导致模拟花费在相似向量()上的时间减少了约3倍function@WojciechR您测试它的阵列大小是多少?数字的分布是什么样的?每次我的模拟使用这个函数时,向量大小都是20。大多数(>80%)都是零,有时有一个或两个。@WojciechR似乎看到了与您不同的计时。在我的帖子中发布了时间安排。我确实得到了完全不同的时间安排,不包括原始解决方案:360、150、140和50毫秒。您是否能够用实际数据集测试所有发布的性能方法?很高兴看到这些是如何叠加的。当然,下面是我模拟的示例结果,其中对于长度为24的向量,类似的_vectors()被调用了131996次。这是此函数花费的时间(以秒为单位)。我自己的原始解决方案122.473 Brenella 82.033 yatu 47.427 Divakar#2 43.709 Divakar#1 34.770感谢您返回这些结果!那里没有什么意外。此外,如果你的问题已经得到回答,请考虑接受其中之一。更多关于接受意味着什么以及如何接受的信息-。
@nb.njit()
def similar_vectors_nb(data):
n=data.shape[0]
out=np.empty((n*2,n),dtype=data.dtype)
ii=0
for i in range(n):
if data[i]==0:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
else:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
out[ii,:]=data[:]
out[ii,i]-=1
ii+=1
return out[0:ii,:]
@nb.njit()
def similar_vectors_nb_2(data):
n=data.shape[0]
#Determine the final array size
num=0
for i in range(n):
if data[i]==0:
num+=1
else:
num+=2
out=np.empty((num,n),dtype=data.dtype)
ii=0
for i in range(n):
if data[i]==0:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
else:
out[ii,:]=data[:]
out[ii,i]+=1
ii+=1
out[ii,:]=data[:]
out[ii,i]-=1
ii+=1
return out
#https://github.com/MSeifert04/simple_benchmark
from simple_benchmark import benchmark
np.random.seed(0)
data=[]
for i in range(10,1000,10):
a = np.random.randint(1,5,(i))
a[np.random.choice(range(len(a)),int(len(a)*0.5),replace=0)] = 0
data.append(a)
arguments = arguments = {10*i: data[i] for i in range(len(data))}
b = benchmark([similar_vectors_nb,similar_vectors_nb_2,similar_vectors_yatu,similar_vectors_Brenlla,similar_vectors_repeat_Divakar,similar_vectors_masking_Divakar], arguments, warmups=[similar_vectors_nb,similar_vectors_nb_2])
%matplotlib notebook
b.plot()