Python numpy阵列的快速迭代
我是python新手,我正在尝试做一些基本的信号处理工作,我遇到了严重的性能问题。有没有python技巧可以以矢量化的方式实现这一点?基本上,我试图实现一阶滤波器,但滤波器特性可能会随着一个样本的变化而变化。如果它只是一个过滤器,我会使用numpy.signal.lfilter(),但它有点复杂。下面是一段进展非常缓慢的代码:Python numpy阵列的快速迭代,python,arrays,numpy,filtering,signal-processing,Python,Arrays,Numpy,Filtering,Signal Processing,我是python新手,我正在尝试做一些基本的信号处理工作,我遇到了严重的性能问题。有没有python技巧可以以矢量化的方式实现这一点?基本上,我试图实现一阶滤波器,但滤波器特性可能会随着一个样本的变化而变化。如果它只是一个过滤器,我会使用numpy.signal.lfilter(),但它有点复杂。下面是一段进展非常缓慢的代码: #filter state state = 0 #perform filtering for sample in amplitude: if( sample =
#filter state
state = 0
#perform filtering
for sample in amplitude:
if( sample == 1.0 ): #attack filter
sample = (1.0 - att_coeff) * sample + att_coeff * state
else: #release filter
sample = (1.0 - rel_coeff) * sample + rel_coeff * state
state = sample
每个条目都需要上一个条目,必须先计算上一个条目,然后才能计算当前条目。因此,每个条目都必须以串行方式计算,而不能以矢量化(即映射、并行)方式进行计算 > P>您可以考虑使用Python中的一个到本机代码转换器, 比如,, 或者 例如,使用timeit运行您的原始代码时,我会:
$ python -m timeit -s 'from co import co; import numpy as np; a = np.random.random(100000)' 'co(a, .5, .7)'
10 loops, best of 3: 120 msec per loop
用Pythran注释时,如:
#pythran export co(float[], float, float)
def co(amplitude, att_coeff, rel_coeff):
# filter state
state = 0
# perform filtering
for sample in amplitude:
if sample == 1.0: # attack filter
state = (1.0 - att_coeff) * sample + att_coeff * state
else: # release filter
state = (1.0 - rel_coeff) * sample + rel_coeff * state
return state
并用
$ pythran co.py
给我:
$ python -m timeit -s 'from co import co; import numpy as np; a = np.random.random(100000)' 'co(a, .5, .7)'
10 loops, best of 3: 120 msec per loop
$ python -m timeit -s 'from co import co; import numpy as np; a = np.random.random(100000)' 'co(a, .5, .7)'
1000 loops, best of 3: 253 usec per loop
这大约是一个x470加速!
我希望Numba和Cython能提供类似的加速