我有两个大点名单。一个包含表示矩形边缘的点（edge_points）。 Edge_points具有xy坐标。另一个列表包含矩形内的点（all_point）。 All_point具有xyz坐标。在第二个列表中，我想删除xy＆＃34; m＆＃34;中的所有点。边缘周围点的距离（列表1）。
我有一个正常运行的代码，但是嵌套循环的速度非常慢......我已经看到过建议使用cdist的线程，但是对于我想要比较每个点的情况我不会工作矩形到单个边缘点。 Hypot比使用sqrt更快，但仍然无法让我到达我想去的地方。
如何提高此代码的效率？
all_point=colpoint+rowpoint
all_points=[]
for n in range(0,len(all_point)):
#Calculate xy distance between inflection point and edge points
test_point=all_point[n]
dist=[]
for k in range(0,len(edge_points)):
test_edge=edge_points[k]
dist_edge=math.hypot((test_point[1]-test_edge[1])+(test_point[0]-test_edge[0]))
dist.append(dist_edge)
if all(i >= m for i in dist) is True:
all_points.append(test_point)
else:
continue
答案 0 :(得分：0)
Vectorise，vectorise 也适用于此：
import numpy as np
all_point, edge_points = np.asanyarray(all_point), np.asanyarray(edge_points)
squared_dists = ((all_point[:, None, :2] - edge_points[None, :, :])**2).sum(axis=-1)
mask = np.all(squared_dists > m**2, axis=-1)
all_points = all_point[mask, :]
观察到在Python级别没有更多循环。 Vectorization将这些循环移动到编译后的代码，执行速度提高了几倍。
具体来说，我们创建了两个大小为all_point且大小为N1x2的{{1}}的{{1}}阵列。然后将这些内容重新调整为大小edge_points和N2x2（通过索引中的N1x1x2）。
当取得差异时，会触发前两个轴的广播，这样得到的数组的形状为1xN2x2，并且包含None和N1xN2x2坐标之间的所有成对差异。随后的平方一次性适用于所有all_point个元素。 edge_points参数指定的总和沿着最后一个轴，即N1xN2x2和axis，以产生成对距离的x数组。
下一行演示了y语句的向量化等价物。为了能够一次性执行它们，可以创建真实面具。与N1xN2的比较是按元素进行的，因此我们为if的每个m**2元素获取了一个真值。 N1xN2与Python squared_dists类似，但可以同时执行多个组。这由np.all参数控制。这里指出all应按行方式应用，产生axis真值。
此蒙版在形状上与all匹配，可用于提取符合标准的所有坐标对。
总结允许从Python级别消除嵌套循环的广播，并用一些矢量化操作替换它。只要内存不是问题，这就会带来巨大的加速。
如果内存有问题：以下是使用N1
all_point如果仍然太大，我们必须将tensordot或all_point, edge_points = np.asanyarray(all_point), np.asanyarray(edge_points)
mixed = np.tensordot(all_point[:, :2], -2 * edge_points, (1, 1))
mixed += (all_point[:, :2]**2).sum(axis=-1)[:, None]
mixed += (edge_points**2).sum(axis=-1)[None, :]
mask = np.all(mixed > m**2, axis=-1)
all_points = all_point[mask, :]
切换为可管理的位。
all_point