Question

作为我正在编写的项目的一部分，我生成了很多列联表。

工作流程为：

采用具有连续（浮动）行的大型数据数组，并通过装箱将其转换为离散的整数值（例如，结果行的值为0-9）
将两行切成向量X和Y，并从它们生成一个contingency table，这样我就具有二维频率分布
例如，我有一个10 x 10的数组，计算发生的（xi，yi）的数量
使用列联表进行一些信息论数学

最初，我这样写：

def make_table(x, y, num_bins):
    ctable = np.zeros((num_bins, num_bins), dtype=np.dtype(int))
    for xn, yn in zip(x, y):
        ctable[xn, yn] += 1
    return ctable

这很好，但是速度太慢，以至于占用了整个项目运行时间的90％。

我能够想到的最快的仅python优化是这样的：

def make_table(x, y, num_bins):
    ctable = np.zeros(num_bins ** 2, dtype=np.dtype(int))
    reindex = np.dot(np.stack((x, y)).transpose(), 
                     np.array([num_bins, 1]))
    idx, count = np.unique(reindex, return_counts=True)
    for i, c in zip(idx, count):
        ctable[i] = c
    return ctable.reshape((num_bins, num_bins))

这（以某种方式）要快得多，但是对于似乎不应该成为瓶颈的东西来说，它仍然是相当昂贵的。有什么有效的方法可以实现，而我只是想放弃，还是应该在cython中做到这一点？

此外，这是一个基准测试功能。

def timetable(func):
    size = 5000
    bins = 10
    repeat = 1000
    start = time.time()
    for i in range(repeat):
        x = np.random.randint(0, bins, size=size)
        y = np.random.randint(0, bins, size=size)
        func(x, y, bins)
    end = time.time()
    print("Func {na}: {ti} Ms".format(na=func.__name__, ti=(end - start)))

Answer 1

可以更快地将np.stack((x, y))的元素表示为整数的巧妙技巧：

In [92]: %timeit np.dot(np.stack((x, y)).transpose(), np.array([bins, 1]))
109 µs ± 6.55 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [94]: %timeit bins*x + y
12.1 µs ± 260 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

此外，只需考虑一下

，就可以在某种程度上简化第二种解决方案的最后一部分

np.unique(bins * x + y, return_counts=True)[1].reshape((bins, bins))

此外，由于我们正在处理等距的非负整数，因此np.bincount的性能将胜过np.unique；这样，以上内容可以归结为

np.bincount(bins * x + y).reshape((bins, bins))

总而言之，这提供了与您当前正在执行的操作相当的性能：

In [78]: %timeit make_table(x, y, bins)  # Your first solution
3.86 ms ± 159 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [79]: %timeit make_table2(x, y, bins)  # Your second solution
443 µs ± 23.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [101]: %timeit np.unique(bins * x + y, return_counts=True)[1].reshape((bins, bins))
307 µs ± 25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [118]: %timeit np.bincount(bins * x + y).reshape((10, 10))
30.3 µs ± 3.44 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

您可能还想知道np.histogramdd会同时处理舍入和合并，尽管它可能比舍入和使用np.bincount慢。

Python列联表

1 个答案: