如何在python中加速N维区间树？

考虑以下问题：给定一组n个区间和一组m个浮点数，为每个浮点数确定包含浮点数的区间子集

这个问题已经通过构造一个（或称为范围树或段树）来解决。已经完成了一维情况的实现，例如python的。通常，这些实现考虑了一个或几个浮点数，即上面的一个小“m”。 在我的问题设置中，n和m都是非常大的数字（来自解决图像处理问题）。此外，我需要考虑N维的间隔（称为长方体当n＝3时，因为我用有限元法对人脑进行建模）。我在python中实现了一个简单的N维区间树，但它在循环中运行，一次只能获取一个浮点数。有人能帮助提高执行效率吗？您可以自由更改数据结构

import sys
import time
import numpy as np

# find the index of a satisfying x > a in one dimension
def find_index_smaller(a, x):
    idx = np.argsort(a)
    ss = np.searchsorted(a, x, sorter=idx)
    res = idx[0:ss]
    return res

# find the index of a satisfying x < a in one dimension
def find_index_larger(a, x):
    return find_index_smaller(-a, -x)

# find the index of a satisfing amin < x < amax in one dimension
def find_intv_at(amin, amax, x):
    idx = find_index_smaller(amin, x)
    idx2 = find_index_larger(amax[idx], x)
    res = idx[idx2]
    return res

# find the index of a satisfying amin < x < amax in N dimensions
def find_intv_at_nd(amin, amax, x):
    dim = amin.shape[0]
    res = np.arange(amin.shape[-1])
    for i in range(dim):
        idx = find_intv_at(amin[i, res], amax[i, res], x[i])
        res = res[idx]
    return res

我的想法是：

从algo中删除np.argsort（），因为间隔树不会改变，所以排序可以在预处理中完成

矢量化x。算法为每个x运行一个循环。如果我们能去掉x上的循环就好了

---

任何贡献都将不胜感激。

您是否尝试过使用oct树或kd树？@Sopel我没有发现oct树的N-D实现。对于scipy kd树，它是找到最近的邻居。但是，您只需要N=3就可以了？您也可以反过来查询kd树，即查找给定长方体中包含的点。如果您不想使用自己的解决方案，也可以使用切比雪夫度量进行欺骗。@Sopel我认为我们不能在这里使用kd树，因为我需要找到包含特定点的所有间隔。顺便说一下，kd-tree并不总是给出准确的解决方案，所以我不想使用它。

def demo1():
    print ("By default, we do a correctness test")
    n_intv = 2
    n_point = 2
    # generate the test data
    point = np.random.rand(3, n_point)
    intv_min = np.random.rand(3, n_intv)
    intv_max = intv_min + np.random.rand(3, n_intv)*8
    print ("point ")
    print (point)
    print ("intv_min")
    print (intv_min)
    print ("intv_max")
    print (intv_max)
    print ("===Indexes of intervals that contain the point===")
    for i in range(n_point):
        print (find_intv_at_nd(intv_min,intv_max, point[:, i]))

def demo2():
    print ("Performance:")
    n_points=100
    n_intv = 1000000

    # generate the test data
    points = np.random.rand(n_points, 3)*512
    intv_min = np.random.rand(3, n_intv)*512
    intv_max = intv_min + np.random.rand(3, n_intv)*8
    print ("point.shape = "+str(points.shape))
    print ("intv_min.shape = "+str(intv_min.shape))
    print ("intv_max.shape = "+str(intv_max.shape))

    starttime = time.time()
    for point in points:
        tmp = find_intv_at_nd(intv_min, intv_max, point)
    print("it took this long to run {} points, with {} interva: {}".format(n_points, n_intv, time.time()-starttime))