Question

我遇到运行python / numypy代码的速度问题。我不知道如何让它更快，也许是其他人？

假设有一个带有两个三角测量的曲面，一个精细（... _精细）有M个点，一个粗糙有N个点。此外，每个点上的粗网格上都有数据（N个浮点数）。我试图做以下事情：

对于细网格上的每个点，找到粗网格上的k个最近点并获得平均值。短：将数据从粗到细插入。

我现在的代码就是这样。对于大数据（在我的情况下M = 2e6，N = 1e4），代码运行大约25分钟，猜测由于显式for循环没有进入numpy。任何想法如何解决那个智能索引？ M x N阵列吹RAM ..

import numpy as np

p_fine.shape => m x 3
p.shape => n x 3

data_fine = np.empty((m,))
for i, ps in enumerate(p_fine):
    data_fine[i] = np.mean(data_coarse[np.argsort(np.linalg.norm(ps-p,axis=1))[:k]])

干杯！

Answer 1

首先感谢您的详细帮助。

首先，Divakar，您的解决方案大幅加快了速度。根据我的数据，代码运行了不到2分钟，具体取决于块大小。

我也尝试了一下sklearn并以

结束

def sklearnSearch_v3(p, p_fine, k):
    neigh = NearestNeighbors(k)
    neigh.fit(p)
    return data_coarse[neigh.kneighbors(p_fine)[1]].mean(axis=1)

结果非常快，对于我的数据大小，我得到以下

import numpy as np
from sklearn.neighbors import NearestNeighbors

m,n = 2000000,20000
p_fine = np.random.rand(m,3)
p = np.random.rand(n,3)
data_coarse = np.random.rand(n)
k = 3

产量

%timeit sklearv3(p, p_fine, k)
1 loop, best of 3: 7.46 s per loop

Answer 2

方法＃1

我们正在处理大型数据集和内存是一个问题，因此我将尝试优化循环内的计算。现在，我们可以使用np.einsum替换np.linalg.norm部分和np.argpartition来代替使用np.argsort的实际排序，就像这样 -

out = np.empty((m,))
for i, ps in enumerate(p_fine):
    subs = ps-p
    sq_dists = np.einsum('ij,ij->i',subs,subs)
    out[i] = data_coarse[np.argpartition(sq_dists,k)[:k]].sum()
out = out/k

方法＃2

现在，作为另一种方法，我们也可以使用Scipy's cdist作为完全向量化的解决方案，就像这样 -

from scipy.spatial.distance import cdist
out = data_coarse[np.argpartition(cdist(p_fine,p),k,axis=1)[:,:k]].mean(1)

但是，由于我们在这里绑定了内存，我们可以在块中执行这些操作。基本上，我们会从具有数百万行并使用p_fine的高数组cdist获取大量行，因此在每次迭代时获取输出元素的块而不是仅一个标量。有了这个，我们会将循环计数减去该块的长度。

所以，最后我们会有这样的实现 -

out = np.empty((m,))
L = 10 # Length of chunk (to be used as a param)
num_iter = m//L
for j in range(num_iter):
    p_fine_slice = p_fine[L*j:L*j+L]
    out[L*j:L*j+L] = data_coarse[np.argpartition(cdist\
                           (p_fine_slice,p),k,axis=1)[:,:k]].mean(1)

运行时测试

设置 -

# Setup inputs
m,n = 20000,100
p_fine = np.random.rand(m,3)
p = np.random.rand(n,3)
data_coarse = np.random.rand(n)
k = 5

def original_approach(p,p_fine,m,n,k):
    data_fine = np.empty((m,))
    for i, ps in enumerate(p_fine):
        data_fine[i] = np.mean(data_coarse[np.argsort(np.linalg.norm\
                                                 (ps-p,axis=1))[:k]])
    return data_fine

def proposed_approach(p,p_fine,m,n,k):    
    out = np.empty((m,))
    for i, ps in enumerate(p_fine):
        subs = ps-p
        sq_dists = np.einsum('ij,ij->i',subs,subs)
        out[i] = data_coarse[np.argpartition(sq_dists,k)[:k]].sum()
    return out/k

def proposed_approach_v2(p,p_fine,m,n,k,len_per_iter):
    L = len_per_iter
    out = np.empty((m,))    
    num_iter = m//L
    for j in range(num_iter):
        p_fine_slice = p_fine[L*j:L*j+L]
        out[L*j:L*j+L] = data_coarse[np.argpartition(cdist\
                               (p_fine_slice,p),k,axis=1)[:,:k]].sum(1)
    return out/k

计时 -

In [134]: %timeit original_approach(p,p_fine,m,n,k)
1 loops, best of 3: 1.1 s per loop

In [135]: %timeit proposed_approach(p,p_fine,m,n,k)
1 loops, best of 3: 539 ms per loop

In [136]: %timeit proposed_approach_v2(p,p_fine,m,n,k,len_per_iter=100)
10 loops, best of 3: 63.2 ms per loop

In [137]: %timeit proposed_approach_v2(p,p_fine,m,n,k,len_per_iter=1000)
10 loops, best of 3: 53.1 ms per loop

In [138]: %timeit proposed_approach_v2(p,p_fine,m,n,k,len_per_iter=2000)
10 loops, best of 3: 63.8 ms per loop

所以，第一个提议的方法有 2x 改进，而第二个方法有 20x 在len_per_iter param设置为1000的最佳位置。希望这会使你的25分钟运行时间缩短到一分钟。我猜不错！

优化Python：大型数组，内存问题

2 个答案: