有没有更优雅的方式来创建这些 numpy 数组？

Question

我觉得我创建了太多数组并浪费资源，所以我正在寻找一种更清洁、更有效的方法来解决以下问题：

假设我们有一个振荡图，并且我们知道最小值 ( min_x˛ ) 和最大值 ( max_x ) 的位置。 我们选择一个参考点ref_point （下图中的 2.35 左右），最接近的极值（图中的 2.25 和 2.45）我们分配 1 * PI，给第二个最接近的极值我们分配值 2 * PI，并且很快。 这样我们就可以得到图中下方的图（请注意，这些值被 -4*PI 抵消了，但这暂时无关紧要）。

这是我的解决方案：

import numpy as np

def min_max(ref_point, min_x, max_x):

    # finding the maximum and minimum values which are smaller than reference point
    neg_max_freq = np.array([a for a in (ref_point - max_x) if a < 0])
    neg_min_freq = np.array([b for b in (ref_point - min_x) if b < 0])

    # joining them together and flipping order
    neg_freq = sorted(np.append(neg_max_freq, neg_min_freq), reverse=True)

    # finding the maximum and minimum values which are greater than reference point
    pos_max_freq = np.array([c for c in (ref_point - max_x) if c > 0])
    pos_min_freq = np.array([d for d in (ref_point - min_x) if d > 0])

    #joining them together
    pos_freq = sorted(np.append(pos_min_freq, pos_max_freq))


    pos_values = np.array([np.pi * (i+1) for i in range(len(pos_freq))])
    neg_values = np.array([np.pi * (i+1) for i in range(len(neg_freq))])

    # joining the values for the lower graph on the picture
    x_s = np.append(pos_freq, neg_freq)
    y_s = np.append(pos_values, neg_values)

    return x_s, y_s

用法示例：

>>> min_x = np.arange(np.pi/2, 4.5*np.pi, np.pi)
>>> max_x = np.arange(0, 4*np.pi, np.pi)
>>> x, y = min_max(0, min_x, max_x)

>>> x
[ -1.57079633  -3.14159265  -4.71238898  -6.28318531  -7.85398163
  -9.42477796 -10.99557429]

>>> y
[ 3.14159265  6.28318531  9.42477796 12.56637061 15.70796327 18.84955592
 21.99114858]

是否有另一种更有效的方法来实现相同的结果？

Answer 1

在这里，我将如何更改min_max代码而不编写如此多的临时变量并避免列表理解：

def min_max(ref_point, min_x, max_x):

    max_freq = ref_point - max_x
    min_freq = ref_point - min_x

    # Faster sort
    neg_freq = np.sort(np.append(max_freq[max_freq<0], min_freq[min_freq<0]))[::-1]
    pos_freq = np.sort(np.append(max_freq[max_freq>0], min_freq[min_freq>0]))

    pos_values = np.pi * np.arange(1, len(pos_freq)+1)
    neg_values = np.pi * np.arange(1, len(neg_freq)+1)

    x_s = np.append(pos_freq, neg_freq)
    y_s = np.append(pos_values, neg_values)

    return x_s, y_s

关于排序性能，我用大小为 100 万的随机数组进行了测试，结果如下：

a = np.random.randint(0, 1000, 1_000_000)

%timeit sorted(a, reverse=True)
522 ms ± 29.3 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

%timeit np.sort(a)[::-1]
55.2 ms ± 958 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

numpy 比 vanilla python 快 9.5 倍。