python矩阵优化

我的输入有一个形状：

（9480,1）

以下是我目前的职能：

def f(X):
    ordered_max_scorers = np.sort(np.max(X, axis=2), axis=1)
    cd_mat2 = np.array([[0] * len(X)] * len(X), dtype="float64")
    for ind1, score1 in enumerate(ordered_max_scorers):
        for ind2, score2 in enumerate(ordered_max_scorers[:ind1]):
            cognitive_diversity = np.sum((score1 - score2)**2)**(1/2)
            cd_mat2[ind1][ind2] = cognitive_diversity
            cd_mat2[ind2][ind1] = cognitive_diversity
    return cd_mat2

我正试图优化这个函数，使它运行得更快：它被对象A中的对象B调用一次。每次A运行时，B都会被调用几百次（大约20多次），如果这有什么区别的话

我试着用numpy替换：

cognitive_diversity = np.sum((score1 - score2) ** 2) ** (1/2)

与：

但这似乎减慢了代码的速度。 我还尝试使用numba进行优化：

@autojit
def temp(x, y): 
    return np.sum((score1 - score2) ** 2) ** (1/2)

再次用于认知多样性

cognitive_diversity = temp(score1, score2)

但这也大大降低了代码的速度 如果有人对加速有任何建议，或者对如何正确地重新编写循环以加速它有任何建议，那将是惊人的

编辑

---

谢谢你的帮助。我用它想出了一个稍微不同的解决方案

#Std jit optimization
@jit()
def cd_matrix_jit(oms,l_oms,l_oms2,cd_mat2):
    for ind1 in range(l_oms):
        for ind2 in range(l_oms):
            d=0.0
            for i in range(l_oms2):
                d = d + (oms[ind1,i]-oms[ind2,i])**2
            cd_mat2[ind1,ind2] = d**(1/2)
    return cd_mat2

---

首先是风格上的一些改进：

np.array([[0] * len(X)] * len(X), dtype="float64")

len（X）

是9，

X.shape[0]

。所以这个表达式最好写为

np.zeros((X.shape[0], X.shape[0]))

cd_mat2[ind1, ind2]

i、 e.0的9x9数组（浮动默认数据类型）

可以写成

np.zeros((X.shape[0], X.shape[0]))

cd_mat2[ind1, ind2]

在

您试图通过使用上（或下）三角形来避免重复计算。对于

numpy

，这可能不值得。如果可以使用一个表达式而不是循环执行整个计算，则即使某些值重复，也会更快

比如：

cd_mat2 = np.sqrt(np.sum((ordered_max_scorers[:,None] - ordered_max_scorers)**2), axis=1))

---

一个样本，

X

，最好小于（9480,1），可以让我们在备选方案中复制您的计算。

对于供其他人阅读的代码，请使用4个空格缩进；操作符周围的空白也很有用！你有没有测量过代码慢的地方？以timeit为例？主要的减速是由于认知多样性的重复计算。我只是不确定是否有一种方法不象我那样重复，或者是否有更好的方法来优化认知多样性的计算谢谢你的帮助。我最终测试了另一组解决方案，并最终使用了一个cuda解决方案，用于更大的阵列，另外还使用了来自numba的@Guvectoriation

cd_mat2 = np.sqrt(np.sum((ordered_max_scorers[:,None] - ordered_max_scorers)**2), axis=1))