问题

Question

问题

我试图对两个小函数进行Cython化，这些函数主要处理numpy ndarray用于某些科学目的。这两个小函数在遗传算法中被称为数百万次，占算法占用的大部分时间。

我自己取得了一些进展并且都很好地工作，但我只获得了很小的速度提升（10％）。更重要的是，cython --annotate表明大部分代码仍然通过Python。

代码

第一个功能：

此函数的目的是获取数据切片，并在内部嵌套循环中调用数百万次。根据数据[1] [1]中的bool，我们要么以正序或反向顺序得到切片。

#Ipython notebook magic for cython
%%cython --annotate
import numpy as np
from scipy import signal as scisignal

cimport cython
cimport numpy as np
def get_signal(data):
    #data[0] contains the data structure containing the numpy arrays
    #data[1][0] contains the position to slice
    #data[1][1] contains the orientation to slice, forward = 0, reverse = 1

    cdef int halfwinwidth = 100
    cdef int midpoint = data[1][0]
    cdef int strand = data[1][1]
    cdef int start = midpoint - halfwinwidth
    cdef int end = midpoint + halfwinwidth
    #the arrays we want to slice
    cdef np.ndarray r0 = data[0]['normals_forward']
    cdef np.ndarray r1 = data[0]['normals_reverse']
    cdef np.ndarray r2 = data[0]['normals_combined']
    if strand == 0:
        normals_forward = r0[start:end]
        normals_reverse = r1[start:end]
        normals_combined = r2[start:end]
    else:
        normals_forward = r1[end - 1:start - 1: -1]
        normals_reverse = r0[end - 1:start - 1: -1]
        normals_combined = r2[end - 1:start - 1: -1]
    #return the result as a tuple
    row = (normals_forward,
           normals_reverse,
           normals_combined)
    return row

第二功能

这个获取numpy数组的元组列表，我们想要明智地添加数组元素，然后将它们标准化并获得交集的集成。

def calculate_signal(list signal):
    cdef int halfwinwidth = 100
    cdef np.ndarray profile_normals_forward = np.zeros(halfwinwidth * 2, dtype='f')
    cdef np.ndarray profile_normals_reverse = np.zeros(halfwinwidth * 2, dtype='f')
    cdef np.ndarray profile_normals_combined = np.zeros(halfwinwidth * 2, dtype='f')
    #b is a tuple of 3 np.ndarrays containing 200 floats
    #here we add them up elementwise
    for b in signal:
        profile_normals_forward += b[0]
        profile_normals_reverse += b[1]
        profile_normals_combined += b[2]
    #normalize the arrays
    cdef int count = len(signal)

    #print "Normalizing to number of elements"
    profile_normals_forward /= count
    profile_normals_reverse /= count
    profile_normals_combined /= count
    intersection_signal = scisignal.detrend(np.fmin(profile_normals_forward, profile_normals_reverse))
    intersection_signal[intersection_signal < 0] = 0
    intersection = np.sum(intersection_signal)

    results = {"intersection": intersection,
               "profile_normals_forward": profile_normals_forward,
               "profile_normals_reverse": profile_normals_reverse,
               "profile_normals_combined": profile_normals_combined,
               }
    return results

感谢任何帮助 - 我尝试使用内存视图但由于某种原因，代码变得更慢，更慢。

Answer 1

在修复了数组cdef之后（如前所示，指定了dtype），你应该把例程放在一个cdef函数中（只能在同一个脚本中用def函数调用）。

在函数的声明中，你需要提供类型（以及尺寸，如果它是一个数组numpy）：

cdef get_signal(numpy.ndarray[DTYPE_t, ndim=3] data):

我不确定使用dict是个好主意。您可以使用numpy的列或行切片，如数据[：，0]。

Cythonize两个小numpy函数，帮助需要

问题

代码

第一个功能：

第二功能

1 个答案: