Question

我有一个四维的numpy数组（x，y，z，时间），并想在每个x，y，z坐标的时间维度上做numpy.polyfit。例如：

import numpy as np
n = 10       # size of my x,y,z dimensions
degree = 2   # degree of my polyfit
time_len = 5 # number of time samples

# Make some data
A = np.random.rand(n*n*n*time_len).reshape(n,n,n,time_len)

# An x vector to regress through evenly spaced samples
X = np.arange( time_len )

# A placeholder for the regressions
regressions = np.zeros(n*n*n*(degree+1)).reshape(n,n,n,degree+1)

# Loop over each index in the array (slow!)
for row in range(A.shape[0] ) :
    for col in range(A.shape[1] ) :
        for slice in range(A.shape[2] ):
            fit = np.polyfit( X, A[row,col,slice,:], degree )
            regressions[row,col,slice] = fit

我想进入regressions数组而不必经历所有的循环。这可能吗？

Answer 1

重塑数据，使每个切片位于2d数组的列上。然后运行一次polyfit。

A2 = A.reshape(time_len, -1)
regressions = np.polyfit(X, A2, degree)
regressions = regressions.reshape(A.shape)

或类似的东西......我真的不明白你的数据集中所有尺寸对应的东西，所以我不确定你想要的形状。但关键是，polyfit的每个单独数据集都应占据矩阵A2中的一列。

顺便说一句，如果您对性能感兴趣，那么您应该使用配置文件模块或类似的东西来分析您的代码。一般来说，您无法始终通过观察代码来预测代码的运行速度。你必须运行它。虽然在这种情况下删除循环也会使你的代码100x更具可读性，这更为重要。

沿numpy数组中的维度回归

1 个答案: