有什么方法可以比for循环更快地迭代数组吗？

Question

我正在编写一个代码，将天文图上的像素通量与另一图上的相应区域进行比较。 两个映射都是数据的numpy数组。

为此，我需要将第一张地图（Av）上的像素索引转换为天空坐标上的等效像素索引，然后将那些天空坐标转换为第二张地图（CO）上等效的像素索引。 然后，我缩放第二张图的通量以匹配第一张图的值。 之后，我必须继续处理数据。

问题在于，由于第一张地图上有数千个像素，因此代码要花很长时间才能完成应有的工作，这对于排除故障很麻烦。 我发现这部分代码中最慢的是for循环。

有什么方法可以遍历numpy数组，能够处理索引并从每个像素计算数据，而又比for循环快？ 有没有更好的方法可以做到这一点？

用伪代码，我的代码是这样的：

for pixel i,j in 1st map:
    sky_x1,sky_y1 = pixel_2_skycoord(i,j)
    i2,j2 = skycoord_2_pixel(sky_x1,sky_y1)

    Avmap.append(Avflux[i,j])
    COmap.append(COflux[i2,j2]*scale)

实际的代码是：

for i in xrange(0,sAv_y-1):
    for j in xrange(0,sAv_x-1):
        if not np.isnan(Avdata[i,j]):           

            y,x=wcs.utils.skycoord_to_pixel(wcs.utils.pixel_to_skycoord(i,j,wAv,0),wcs=wCO)

            x=x.astype(int)+0 #the zero is because i don't understand the problem with numpy but it fixes it anyway
            y=y.astype(int)+0 #i couldn't get the number from an array with 1 value but adding zero resolves it somehow
            COflux=COdata[x,y]

            ylist.append(Avdata[i,j])
            xlist.append(COflux*(AvArea/COArea))

Answer 1

罪魁祸首是两个for循环。 Numpy具有许多功能，这些功能阻止使用for循环来允许快速编译的代码。 诀窍是向量化您的代码。

您可以查看numpy的meshgrid函数，以将该数据转换为矢量化形式，然后可以使用诸如SO这样的问题将任意函数应用于该矢量。

类似于以下内容：

x_width = 15
y_width = 10

x, y = np.meshgrid(range(x_width), range(y_width))

def translate(x, y, x_o, y_o):
    x_new = x + x_o
    y_new = y + y_o
    return x_new, y_new

x_new, y_new = translate(x, y, 3, 3)

x_new[4,5], y[4,5]

(8, 4)

Answer 2

您必须避免循环，并在基础C代码中以Numpy或Astropy进行大量计算，以进行天空/像素转换。 使用astropy.wcs有多种选择。

第一个是使用SkyCoord 。 首先，为像素索引创建一个值网格：

In [30]: xx, yy = np.mgrid[:5, :5] 
    ...: xx, yy 
Out[30]: 
(array([[0, 0, 0, 0, 0],
        [1, 1, 1, 1, 1],
        [2, 2, 2, 2, 2],
        [3, 3, 3, 3, 3],
        [4, 4, 4, 4, 4]]), array([[0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4],
        [0, 1, 2, 3, 4]]))

现在，我们可以从像素索引并使用wcs创建SkyCoord对象（它是Numpy数组子类）。

In [33]: from astropy.coordinates import SkyCoord 
    ...: sky = SkyCoord.from_pixel(xx, yy, wcs) 
    ...: sky                                                                                   
Out[33]: 
<SkyCoord (FK5: equinox=2000.0): (ra, dec) in deg
    [[(53.17127889, -27.78771333), (53.17127889, -27.78765778),
      (53.17127889, -27.78760222), (53.17127889, -27.78754667),
      (53.17127889, -27.78749111)],
      ....

请注意，这是使用wcs.utils.skycoord_to_pixel 。 该对象还有一种使用wcs投影到像素的方法。 出于实际目的，我将在此处相同：

In [34]: sky.to_pixel(wcs)                                                                     
Out[34]: 
(array([[ 0.00000000e+00, -1.11022302e-16, -2.22044605e-16,
         -3.33066907e-16,  1.13149046e-10],
        ...
        [ 4.00000000e+00,  4.00000000e+00,  4.00000000e+00,
          4.00000000e+00,  4.00000000e+00]]),
 array([[-6.31503738e-11,  1.00000000e+00,  2.00000000e+00,
          3.00000000e+00,  4.00000000e+00],
        ...
        [-1.11457732e-10,  1.00000000e+00,  2.00000000e+00,
          3.00000000e+00,  4.00000000e+00]]))

我们得到新的x和y索引的float值元组。 因此，您将需要舍入这些值并将其转换为int以将其用作数组索引。

第二种选择是使用较低级别的函数，例如wcs.pixel_to_world_values和wcs.world_to_pixel_values ，它们使用Nx2数组并返回它：

In [37]: wcs.pixel_to_world_values(np.array([xx.ravel(), yy.ravel()]).T)                       
Out[37]: 
array([[ 53.17127889, -27.78771333],
       [ 53.17127889, -27.78765778],
       [ 53.17127889, -27.78760222],
       [ 53.17127889, -27.78754667],
       ...