[英]Fastest way to shift a Numpy array
我正在运行一些模拟,涉及重复比较2D Numpy数组中的值与它们的“邻居”; 例如。 将标记位置(y,x)
处的值与来自相同阵列的标记位置(y-1,x)
处的值进行比较。
目前我正在使用这样的功能:
# example of the typical size of the arrays
my_array = np.ndarray((500,500))
shapey, shapex = my_array.shape
Yshape = (1, shapex)
Yzeros = np.zeros((1, shapex))
def syf(A, E=True):
if E == True:
return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0)
else:
return np.concatenate((A[1:], Yzeros), axis=0)
shifted_array = syf(my_array)
difference_in_y = shifted_array - my_array
这可以选择在数组边缘使用边值或零进行比较。 这些功能也可以在任一轴上的任一方向上进行。
有没有人建议以更快的方式做到这一点? 我试过np.roll
(慢得多),这个:
yf = np.ix_(range(shapey)[1:] + [shapey,], range(shapex))
shifted_array = my_array[yf]
这有点慢。
这些函数在一个程序中被称为每秒200次,需要10个小时才能运行,所以任何小的加速都更受欢迎!
谢谢。
编辑:
因此,如果每次调用移位函数时都需要相同的微分方法,那么下面的Divakars方法似乎提供了较小的加速,但是如果只需要一个移位的数组,则该方法和我上面使用的方法似乎是相等的速度。
您可以在函数调用中完成移位和区分,如此 -
def syf1(A, E=True):
out = np.empty_like(A)
out[:-1] = A[1:] - A[:-1] # Or np.diff(my_array,axis=0)
if E == True:
out[-1] = 0
else:
out[-1] = -A[-1]
return out
因此,用于运行时比较目的的syf
的等效修改版本将是 -
def syf(A, E=True):
if E == True:
return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0) - A
else:
return np.concatenate((A[1:], Yzeros), axis=0) - A
运行时测试
让我们将syf
的等效版本与问题代码中列出的输入的运行时性能建议方法进行比较 -
In [113]: %timeit syf(my_array)
1000 loops, best of 3: 518 µs per loop
In [114]: %timeit syf1(my_array)
1000 loops, best of 3: 494 µs per loop
那么,那里有一些改进!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.