我根据数据形式中每个点与其他点的角度对数据数组进行排序。对于我给定的data（x，y，z），我计算成对距离（pwdist），成对值（pwresi）和对数据点之间的角度（{{1 }}）。一旦我得到这个，我通过查看数据的索引及其相应的角度将数据分组到各种类别（由角度范围从0到180，步长为30）。然后对于每个班级，我估计方差/半方差。为清楚起见，我在下面添加了我的代码：
pwang代码工作得非常好，直到我必须将数据分组到类中（即代码中，来自import tkinter as tk
from tkinter import filedialog
import pandas as pd
import numpy as np
from collections import defaultdict
from scipy.spatial.distance import pdist, squareform
root = tk.Tk()
root.withdraw()
filepath = filedialog.askopenfilename()
data = pd.read_excel(filepath)
data = np.array(data, dtype=np.float)
nrow, dummy_cols = data.shape
pwdist = squareform(pdist(data[:,:2]))
pwresi = (data[:,2, None] - data[:,2])**2
pwang = np.arctan2((data[:,1, None] - data[:,1]), (data[:,0, None] - data[:,0]))*180/np.pi
vecdistance = pwdist.ravel()
vecresidual = pwresi.ravel()
vecangle = pwang.ravel()
sortdistance = defaultdict(list)
sortresidual = defaultdict(list)
sortangle = defaultdict(list)
lagangle = []
count = -1
get_anglesector = 30
for j in range(0, 180, get_anglesector):
count += 1
for k, dummy_val in enumerate(vecangle):
if j <= vecangle[k] < j + get_anglesector:
sortdistance[count].append(vecdistance[k])
sortresidual[count].append(vecresidual[k])
sortangle[count].append(vecangle[k])
lagangle.append((j+get_anglesector/2))
uniquedistance = {}
classdistance = {}
summation = {}
semivariance = {}
for i, dummy_val in enumerate(sortdistance):
uniquedistance[i] = np.unique(sortdistance[i])
classdistance[i] = np.searchsorted(uniquedistance[i], sortdistance[i])
summation[i] = np.bincount(classdistance[i], weights=sortresidual[i])
semivariance[i] = summation[i]/(2*np.bincount(classdistance[i]))
）。对于少于500点的数据，此代码是可以的。但我运行的数据超过10,000点，所以时间至关重要。是否有一种高效/ pythonic方式来编写此代码以提高性能？
答案 0 :(得分：0)
说实话，你的代码很乱，你的问题也不完全可以理解。
所以我的答案是理论上的，你应该将它应用到你自己的案例中：
鉴于，列表：
myList = [element1, element2, element3]
众所周知，评估函数：def eval(a): return angle(a.x, a.y)例如
你可以使用快速排序python（我认为他们使用快速排序），这是O（n * log（n））来排序它，通过这样做：
sortedList = mylist.sort(key=lambda a: angle(a.x, a.y))
此方法为列表中的每个元素分配一个数值，该值可以排序。