计算-numpython错误

我用NumPy做了一些计算，通过一个大盒子和一个小盒子之间的一个小孔，找到Y截距。大盒子里有超过10万个粒子，小盒子里大约有1000个。这样做需要很多时间。所有的self.YD，self.XD都是非常大的数组，我将它们相乘

PS:ind是需要乘以的值的索引。在代码中的那一行之前，我有一个非零条件

你知道我该如何用更简单的方法进行计算吗

YD_zero = self.oldYD[ind] - ((self.oldYD[ind]-self.YD[ind]) * self.oldXD[ind])/(self.oldXD[ind]-self.XD[ind])

谢谢

更新

会用乘法，除法，减法和所有的Numpy。快一点？ 或者如果我分开计算。比如说

首先要做到这一点：

    YD_zero = self.oldYD[ind] - ((self.oldYD[ind]-self.YD[ind])*self.oldXD[ind])

然后下一行是：

    YD_zero /= (self.oldXD[ind]-self.XD[ind])

有什么建议吗

更新2

一段时间以来，我一直在试图弄明白这一点，但进展不大。我担心的是分母：

    self.oldXL[ind]-self.XL[ind] == 0

我得到了一些奇怪的结果

---

另一个是非零函数。我已经测试了一段时间了。有谁能告诉我，它几乎和Matlab中的find一样，因为所有的计算都是按元素进行的，所以重新编写表达式应该很容易。这将避免在执行

oldYD

等操作时创建的所有非常大的临时数组

---

另一种可能性是。

也许我搞错了，但在Numpy中，你可以执行矢量化计算。移除封闭的

while

循环，然后运行此

YD_zero=self.oldYD-（（self.oldYD-self.YD）*self.oldXD）/（self.oldXD-self.XD）

应该快得多

更新：使用Newton-Raphson方法迭代寻根

unconverged_mask = np.abs(f(y_vals)) > CONVERGENCE_VALUE:
while np.any(unconverged_mask):
    y_vals[unconverged_mask] = y_vals[unconverged_mask] - f(y_vals[unconverged_mask]) / f_prime(y_vals[unconverged_mask])
    unconverged_mask = np.abs(f(y_vals)) > CONVERGENCE_VALUE:

这段代码只是说明性的，但它展示了如何将使用矢量化代码的迭代过程应用于任何函数

f

，您可以找到

f_prime

的导数。

untererged_mask

意味着当前迭代的结果将仅应用于那些尚未收敛的值

注意，在这种情况下，不需要迭代，牛顿·拉斐逊将在第一次迭代中给出正确答案，因为我们处理的是直线。你得到的是一个精确解

第二次更新

好吧，你没有用牛顿·拉弗森。要一次性计算y轴截距，可以使用

YD_zero=YD+（XD-X0）*dYdX

其中，

dYdX

是梯度，在您的例子中

dYdX=（YD-oldYD）/（XD-oldXD）

我假设

XD

和

YD

是粒子的当前x，y值，

oldXD

和

oldYD

是粒子先前的x，y值，

X0

是光圈的x值

---

仍然不完全清楚为什么必须迭代所有粒子，Numpy可以一次计算所有粒子。

我肯定会选择

numexpr

。我不确定

numexpr

是否可以处理索引，但我打赌以下（或类似的）方法会起作用：

import numexpr as ne

yold = self.oldYD[ind]
y = self.YD[ind]
xold = self.oldXD[ind]
x = self.XD[ind]
YD_zero = ne.evaluate("yold - ((yold - y) * xold)/(xold - x)")

---

如果您尝试修剪点集，精度损失是否显著？我需要真正准确的数据。更简单的说，您的意思是在更少的cpu周期内？我在while循环中进行了此操作，并且在一次运行中至少执行16000次。所以，无论什么都可以使计算速度更快。如果你对它进行矢量化，它还允许以后在你真的需要速度的情况下移动到GPU。我确实对它进行了矢量化，但我还有很多其他事情要做。我认为这比其他任何事情都需要更长的时间。因为我在没有这个的情况下运行了它，速度快了很多。我相信循环不是在索引上，而是在迭代牛顿算法上。啊，对了，那么你是在用牛顿-拉斐逊方法来寻找函数中的零？如果是这样的话，更新的代码可能会有所帮助。还要注意，因为我们处理的是直线，所以不需要多次应用牛顿-拉斐逊方程，它在第一次迭代时是正确的。我如何用Numexpr或Cython乘以两个数组？！你更愿意推荐Cython还是Numexpr？@theSun:乘法中有什么特别的地方会引起混淆？至于

Cython

vs

numexpr

，后者应该更容易正确。然而，我个人只使用了前者，因此在

numexpr

中可能存在一些我不知道的微妙之处。