Question

必须有一种更快的方法。

这里有很多事情要做，但打开包装相当简单。

这是相关的python代码（来自scipy import *）

for i in arange(len(wav)):
    result[i] = sum(laser_flux * exp(-(wav[i] - laser_wav)**2) )

有一堆数组。

result - 长度数组（wav）
laser_flux - 长度数组（激光）
wav - 长度数组（wav）
laser_wav - 长度（激光）阵列

是的，在指数范围内，我正在逐个（逐个元素）平方标量值和laser_wav数组之间的差异。

一切都按预期工作（包括慢慢地）任何可以帮助我消除这个for循环的帮助将非常感激！

Answer 1

您将要使用Numpy数组（如果您还没有）来存储数据。然后，您可以利用np.newaxis进行阵列广播。对于wav中的每个值，您需要计算该值与laser_wav中每个值之间的差异。这表明您需要一个二维数组，其中两个维度为wav维度和laser维度。

在下面的示例中，我将选择第一个索引作为laser索引，将第二个索引选择为wav索引。使用样本数据，这将成为：

import numpy as np

LASER_LEN  = 5
WAV_LEN    = 10
laser_flux = np.arange(LASER_LEN)
wav        = np.arange(WAV_LEN)
laser_wav  = np.array(LASER_LEN)

# Tile wav into LASER_LEN rows and tile laser_wav into WAV_LEN columns
diff    = wav[np.newaxis,:] - laser_wav[:,np.newaxis]
exp_arg = -diff ** 2
sum_arg = laser_flux[:,np.newaxis] * np.exp(exp_arg)

# Now, the resulting array sum_arg should be of size (LASER_LEN,WAV_LEN)
# Since your original sum was along each element of laser_flux/laser_wav, 
# you'll need to sum along the first axis.
result = np.sum(sum_arg, axis=0)

当然，您可以将其简化为一个声明：

result = np.sum(laser_flux[:,np.newaxis] * 
                np.exp(-(wav[np.newaxis,:]-laser_wav[:,np.newaxis])**2),axis=0)

编辑：

正如对问题的评论中所指出的，你可以利用线性代数风格乘法定义中固有的“乘法和”。然后变成：

result = np.dot(laser_flux, 
    np.exp(-(wav[np.newaxis,:] - laser_wav[:,np.newaxis])**2))

Answer 2

我是Python新手，所以这可能不是Python中最优秀的，但我会对Perl，Scheme等使用相同的技术。

def func(x):
    delta = x - laser_wav
    return sum(laser_flux * exp(-delta * delta))
result = map(func, wav)

Answer 3

如果原始性能存在问题，您可能会受益于重写以利用多个核心（如果您拥有它们）。

from multiprocessing import Pool
p = Pool(5) # about the number of cores you have

def f(i):
    delta = wav[i] - laser_wav
    return sum(laser_flux * exp(-delta*delta) )

result = p.map(f, arange(len(wav)) )

Answer 4

首先，将变量本身乘以使用**幂运算符似乎稍快一些：

~$ python -m timeit -n 100000 -v "x = 4.1; x * x"
raw times: 0.0904 0.0513 0.0493
100000 loops, best of 3: 0.493 usec per loop
~$ python -m timeit -n 100000 -v "x = 4.1; x**2"
raw times: 0.101 0.147 0.118
100000 loops, best of 3: 1.01 usec per loop

帮我消除python中的for循环

4 个答案: