假設(shè)一個數(shù)組a.shape == (N, M)和一個向量v.shape == (N,)。目標(biāo)是計算argmin從每個元素中減去abs的- 也就是說，vaout = np.zeros(N, M)for i in range(N): for j in range(M): out[i, j] = np.argmin(np.abs(a[i, j] - v))我通過進(jìn)行了矢量化實現(xiàn)np.matlib.repmat，它速度更快，但需要O(M*N^2)內(nèi)存，這在實踐中是不可接受的。計算仍然在 CPU 上完成，因此最好的選擇似乎是在 C 中實現(xiàn) for 循環(huán)作為擴(kuò)展，但也許 Numpy 已經(jīng)實現(xiàn)了這種邏輯?？梢?？有任何可用的 Numpy 函數(shù)可以有效地實現(xiàn)上述功能嗎？
1 回答
素胚勾勒不出你
TA貢獻(xiàn)1827條經(jīng)驗 獲得超9個贊
受到 的啟發(fā)this post，我們可以利用np.searchsorted-
def find_closest(a, v):
? ? sidx = v.argsort()
? ? v_s = v[sidx]
? ? idx = np.searchsorted(v_s, a)
? ? idx[idx==len(v)] = len(v)-1
? ? idx0 = (idx-1).clip(min=0)
? ??
? ? m = np.abs(a-v_s[idx]) >= np.abs(v_s[idx0]-a)
? ? m[idx==0] = 0
? ? idx[m] -= 1
? ? out = sidx[idx]
? ? return out
更多性能。numexpr在大型數(shù)據(jù)集上進(jìn)行提升：
import numexpr as ne
def find_closest_v2(a, v):
? ? sidx = v.argsort()
? ? v_s = v[sidx]
? ? idx = np.searchsorted(v_s, a)
? ? idx[idx==len(v)] = len(v)-1
? ? idx0 = (idx-1).clip(min=0)
? ??
? ? p1 = v_s[idx]
? ? p2 = v_s[idx0]
? ? m = ne.evaluate('(idx!=0) & (abs(a-p1) >= abs(p2-a))', {'p1':p1, 'p2':p2, 'idx':idx})
? ? idx[m] -= 1
? ? out = sidx[idx]
? ? return out
時間安排
設(shè)置 ：
N,M = 500,100000
a = np.random.rand(N,M)
v = np.random.rand(N)
In [22]: %timeit find_closest_v2(a, v)
4.35 s ± 21.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [23]: %timeit find_closest(a, v)
4.69 s ± 173 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
添加回答
舉報
0/150
提交
取消