Question

我有一个包含数百万条目的数组。我想计算另一个向量，包含条目对的所有距离，它们在数组中移动了一定数量的delta。

实际上我正在使用它：

for i in range(0, len(a) - delta):
    difs = numpy.append(difs, a[i + self.delta] - a[i])

有谁知道如何更快地完成这项工作？

这里有一个类似的问题： Fastest pairwise distance metric in python

但我不想计算每对的距离。

示例：

>>> a = [1,5,7,7,2,6]
>>> delta = 2
>>> print difs
array([ 6.,  2., -5., -1.])

Answer 1

您可以使用a对delta进行切片，然后减去两个子阵列：

>>> a = np.array([1,5,7,7,2,6])
>>> delta = 2
>>> a[delta:] - a[:-delta]
array([ 6,  2, -5, -1])

对于大型数组，此切片操作可能非常快，因为不需要创建a中的其他索引或数据副本。减法创建一个具有所需值的新数组。

Answer 2

假设a是一个numpy.array，那么一次索引所有对可能会得到相同的结果。这是一个矢量化的numpy解决方案。

a = numpy.atleast_1d(a)  #// make sure a is a numpy array
idx_minuend = range(delta, len(a))
idx_subtrahend = range(0, len(a)-delta)
difs = a[idx_minuend] - a[idx_subtrahend]

一些小测试验证结果是否相同：

# // a little test with your data
import numpy
a = [1,5,7,7,2,6]
delta = 2

# // current version
difs = numpy.array([])
for i in range(0, len(a) - delta):
    difs = numpy.append(difs, a[i + delta] - a[i])

# // numpy vectorized version
a = numpy.atleast_1d(a)  #// make sure a is a numpy array
idx_minuend = range(delta, len(a))
idx_subtrahend = range(0, len(a)-delta)
difs2 = a[idx_minuend] - a[idx_subtrahend]

# // compare results
(difs == difs2).all()  # True

针对给定班次优化成对距离的数组计算

2 个答案: