我有几个(1000个订单)3D形状阵列(1000,800,1024)我想学习。我需要计算沿轴= 0的平均值,但在我能做到之前,我必须沿着轴2滚动数据,直到它“在正确的位置”。
这听起来很奇怪,所以我会试着解释一下。形状(1024,)的1D子阵列是来自物理环形缓冲器的数据。我知道,环形缓冲区以不同的方式读出。所以我有几个形状pos
的阵列(1000,800)。告诉我环读缓冲区被读出的位置。以及我需要根据data
滚动的形状(1000,800,1024)的3D阵列pos
。
只有在滚动之后...... 3D阵列对我来说很有意义,我可以开始分析它们。 在C中,人们可以编写这样做非常简单的代码,所以我想知道我是否可以“告诉”numpy mean()或sum()例程,它们应该从不同的索引开始,并在结束时'滚动' 1D-子阵列。
我目前所做的是:
rolled = np.zeros_like(data) # shape (1000, 800, 1024)
for a in range(rolled.shape[0]):
for b in range(rolled.shape[1]):
rolled[a,b] = np.roll(data[a,b], pos[a,b])
这需要约60秒 然后我会这样做:
m = rolled.mean(axis=0)
s = rolled.std(axis=0)
只需要15秒左右。
我的观点是,使滚动副本占用大量空间和时间(好吧我可以通过将滚动的内容写回data
来节省空间),而有一种方法(在C中)实现这个平均并在一个循环中滚动,从而节省了大量时间。
我的问题是......如果有办法与numpy做类似的事情吗?
答案 0 :(得分:11)
我很无聊并在Cython中编写了你的功能。它的运行速度比您发布的代码快10倍,而无需分配中间数组。
import numpy as np
cimport numpy as np
cimport cython
from libc.math cimport sqrt
@cython.boundscheck(False)
@cython.wraparound(False)
@cython.nonecheck(False)
@cython.cdivision(True)
def rolled_mean_std(double[:,:,::1] data, int[:,::1] pos):
cdef Py_ssize_t s1,s2,s3,a,b,c
s1 = data.shape[0]
s2 = data.shape[1]
s3 = data.shape[2]
cdef double[:,::1] sums = np.zeros((s2,s3))
cdef double[:,::1] sumsq = np.zeros((s2,s3))
cdef double d
cdef int p
# Compute sums and sum-of-squares.
for a in range(s1):
for b in range(s2):
p = pos[a,b]
for c in range(s3):
d = data[a,b,(c+s3-p)%s3]
sums[b,c] += d
sumsq[b,c] += d * d
# Calculate mean + std in place.
for b in range(s2):
for c in range(s3):
d = sums[b,c]
sums[b,c] /= s1
sumsq[b,c] = sqrt((s1*sumsq[b,c] - (d*d)))/s1
return sums, sumsq
请注意,这会使用Naive mean+stdv algorithm,因此您可能会遇到浮点精度错误。但是,我的测试并没有显示出很大的影响。