Question

我必须迭代两个1000x1000大的数组。我已经将分辨率降低到100x100以使迭代更快，但是对于一个阵列仍然需要大约15分钟！所以我试图同时迭代这两个，为此我找到了：

for index, (x,y) in ndenumerate(izip(x_array,y_array)):

然后我收到错误：

ValueError: too many values to unpack

这是我的完整python代码：我希望你能帮助我更快地完成这项工作，因为这是我的硕士论文，最后我必须运行大约100次......

area_length=11
d_circle=(area_length-1)/2

xdis_new=xdis.copy()
ydis_new=ydis.copy()
ie,je=xdis_new.shape


while (np.isnan(np.sum(xdis_new))) and (np.isnan(np.sum(ydis_new))):
xdis_interpolated=xdis_new.copy()
ydis_interpolated=ydis_new.copy()
# itx=np.nditer(xdis_new,flags=['multi_index'])
# for x in itx:
    # print 'next x and y'
for index, (x,y) in ndenumerate(izip(xdis_new,ydis_new)):
    if np.isnan(x):
        print 'index',index[0],index[1]
        print 'interpolate'
        # define indizes of interpolation area
        i1=index[0]-(area_length-1)/2
        if i1<0:
            i1=0
        i2=index[0]+((area_length+1)/2)
        if i2>ie:
            i2=ie
        j1=index[1]-(area_length-1)/2
        if j1<0:
            j1=0
        j2=index[1]+((area_length+1)/2)
        if j2>je:
            j2=je
        # -->
        print 'i1',i1,'','i2',i2
        print 'j1',j1,'','j2',j2

        area_values=xdis_new[i1:i2,j1:j2]
        print area_values

        b=area_values[~np.isnan(area_values)]

        if len(b)>=((area_length-1)/2)*4:

            xi,yi=meshgrid(arange(len(area_values[0,:])),arange(len(area_values[:,0])))

            weight=zeros((len(area_values[0,:]),len(area_values[:,0])))
            d=zeros((len(area_values[0,:]),len(area_values[:,0])))
            weight_fac=zeros((len(area_values[0,:]),len(area_values[:,0])))
            weighted_area=zeros((len(area_values[0,:]),len(area_values[:,0])))

            d=sqrt((xi-xi[(area_length-1)/2,(area_length-1)/2])*(xi-xi[(area_length-1)/2,(area_length-1)/2])+(yi-yi[(area_length-1)/2,(area_length-1)/2])*(yi-yi[(area_length-1)/2,(area_length-1)/2]))
            weight=1/d
            weight[where(d==0)]=0
            weight[where(d>d_circle)]=0
            weight[where(np.isnan(area_values))]=0

            weight_sum=np.sum(weight.flatten())
            weight_fac=weight/weight_sum
            weighted_area=area_values*weight_fac

            print 'weight'
            print weight_fac
            print 'values'
            print area_values
            print 'weighted'
            print weighted_area

            m=nansum(weighted_area)
            xdis_interpolated[index]=m
            print 'm',m

        else:
            print 'insufficient elements'

    if np.isnan(y):
        print 'index',index[0],index[1]
        print 'interpolate'
        # define indizes of interpolation area
        i1=index[0]-(area_length-1)/2
        if i1<0:
            i1=0
        i2=index[0]+((area_length+1)/2)
        if i2>ie:
            i2=ie
        j1=index[1]-(area_length-1)/2
        if j1<0:
            j1=0
        j2=index[1]+((area_length+1)/2)
        if j2>je:
            j2=je
        # -->
        print 'i1',i1,'','i2',i2
        print 'j1',j1,'','j2',j2

        area_values=ydis_new[i1:i2,j1:j2]
        print area_values

        b=area_values[~np.isnan(area_values)]

        if len(b)>=((area_length-1)/2)*4:

            xi,yi=meshgrid(arange(len(area_values[0,:])),arange(len(area_values[:,0])))

            weight=zeros((len(area_values[0,:]),len(area_values[:,0])))
            d=zeros((len(area_values[0,:]),len(area_values[:,0])))
            weight_fac=zeros((len(area_values[0,:]),len(area_values[:,0])))
            weighted_area=zeros((len(area_values[0,:]),len(area_values[:,0])))

            d=sqrt((xi-xi[(area_length-1)/2,(area_length-1)/2])*(xi-xi[(area_length-1)/2,(area_length-1)/2])+(yi-yi[(area_length-1)/2,(area_length-1)/2])*(yi-yi[(area_length-1)/2,(area_length-1)/2]))
            weight=1/d
            weight[where(d==0)]=0
            weight[where(d>d_circle)]=0
            weight[where(np.isnan(area_values))]=0

            weight_sum=np.sum(weight.flatten())
            weight_fac=weight/weight_sum
            weighted_area=area_values*weight_fac

            print 'weight'
            print weight_fac
            print 'values'
            print area_values
            print 'weighted'
            print weighted_area

            m=nansum(weighted_area)
            ydis_interpolated[index]=m
            print 'm',m

        else:
            print 'insufficient elements'

    else:
        print 'no need to interpolate'

xdis_new=xdis_interpolated
ydis_new=ydis_interpolated

Answer 1

一些建议：

描述您的代码以查看最慢的部分。它可能不是迭代，而是每次都需要完成的计算。
尽可能减少函数调用。 Python中的函数调用不是免费的。
将最慢的部分重写为C扩展，然后在Python代码中调用该C函数（参见Extending and Embedding the Python interpreter）。
This page也有一些很好的建议。

Answer 2

您可以将其用作for循环：

for index, x in ndenumerate((x_array,y_array)):

但它不会对你有多大帮助，因为你的计算机不能同时做两件事。

Answer 3

注释＃1：你不想在ndenumerate迭代器上使用izip，因为它会输出迭代器，这不是你想要的。

评论＃2：

i1=index[0]-(area_length-1)/2
if i1<0:
    i1=0

可以在i1 = min(index[0]-(area_length-1)/2, 0)中简化，您可以将(area_length+/-1)/2存储在特定变量中。

创意＃1：尝试迭代平面版本的数组，例如

for (i, (x, y)) in enumerate(izip(xdis_new.flat,ydis_new.flat)):

您可以通过divmod(i, xdis_new.shape[-1])获取原始索引，因为您应该首先按行迭代。

创意＃2：仅在nans上进行迭代，即使用np.isnan(xdis_new)|np.isnan(ydis_new)索引数组，这可以为您节省一些迭代次数

编辑＃1

您可能不需要在循环中初始化d，weight_fac和weighted_area，而是单独计算它们。
您的weight[where(d>0)]可以在weight[d>0]
您需要weight_fac吗？你不能只计算weight然后将其标准化吗？这应该可以节省一些临时数组。

Answer 4

分析绝对是一个很好的开始，可以确定实际花费的时间。

我通常使用cProfile模块，因为它需要的开销很小，并且给了我足够多的信息。

import cProfile
import pstats
cProfile.run('main()', "ProfileData.txt", 'tottime')
p = pstats.Stats('ProfileData.txt')   
p.sort_stats('cumulative').print_stats(100)

我的示例是您必须将代码包装到main()函数中，以便能够在文件的最后使用此代码段。

Answer 5

您特别要求在一个循环中迭代两个数组。这是一种方法

l1 = ["abc", "def", "hi"]
l2 = ["ghi", "jkl", "lst"]
for f,s in zip(l1,l2):
    print "%s : %s" %(f,s)

以上是python 3，你可以使用izip for python 2

一次迭代两个大数组

5 个答案: