[英]Suggestions on how to speed up this python function?
有关如何加快此 function 的任何建议?
def smooth_surface(z,c):
hph_arr_list = []
for x in xrange(c,len(z)-(c+1)):
new_arr = np.hstack(z[x-c:x+c])
hph_arr_list.append(np.percentile(new_arr[((new_arr >= np.percentile(new_arr,15)) & (new_arr <= np.percentile(new_arr,85)))],99))
return np.array(map(float,hph_arr_list))
变量z
的长度约为 1500 万, c
是 window 大小+
和-
的值。 function 基本上是一个滑动 window,它计算每次迭代的百分位值。 任何帮助,将不胜感激! z
是一个 arrays 数组(因此是np.hstack
)。 也许任何想法 numba 会对此有所帮助。 如果有,如何实施?
计算的缓慢部分似乎是行np.percentile(new_arr[((new_arr >= np.percentile(new_arr,15)) & (new_arr <= np.percentile(new_arr,85)))],99)
. 这是由于小np.percentile
上的 np.percentile 出乎意料地缓慢,以及创建了几个中间 arrays。
由于new_arr
实际上很小,因此仅对其进行排序并自己进行插值会快得多。 此外,numba 还可以帮助加快计算速度。
@njit #Use @njit instead of @jit to increase speed
def filter(arr):
arr = arr.copy() # This line can be removed to modify arr in-place
arr.sort()
lo = int(math.ceil(len(arr)*0.15))
hi = int(len(arr)*0.85)
interp = 0.99 * (hi - 1 - lo)
interp = interp - int(interp)
assert lo <= hi-2
return arr[hi-2]* (1.0 - interp) + arr[hi-1] * interp
在我的机器上使用大小为 20 的 arrays 时,此代码快 160 倍,并且应该产生相同的结果。
最后,您也可以通过在 numba 中使用自动并行化来加速smooth_surface
(有关更多信息,请参见此处)。 这是一个未经测试的原型:
@jit(parallel=True)
def smooth_surface(z,c):
hph_arr = np.zeros(len(z)-(c+1)-c)
for x in prange(c,len(z)-(c+1)):
hph_arr[x-c] = filter(np.hstack(z[x-c:x+c]))
return hph_arr
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.