Question

我有一个非常大的numpy数组，其维度为（4000，6000，15）。

我现在想要每个堆栈的中值，即沿着第三维。当前的代码可以工作，但是奇怪的是速度很慢，单个堆栈的中位数[0,0，：]（15个值）至少需要半秒才能完成。

height = 4000
width = 6000
N = 15

poolmedian = np.zeros((height,width,3))
RGBmedian = np.zeros((height,width,N), dtype=float)    

for n in range(0,height):
    for m in range(0,width):
                poolmedian[n,m,0] = np.median(RGBmedian[n,m,:])

Answer 1

您将要尽可能向量化中值计算。每次调用numpy函数时，都会在C和Python层之间来回敲击。在C层中做尽可能多的事情：

import numpy as np
height = 40
width = 60
N = 15

np.random.seed(1)
poolmedian = np.zeros((height,width,3))
RGBmedian = np.random.random((height,width,N))

def original():
    for n in range(0,height):
        for m in range(0,width):
            poolmedian[n,m,0] = np.median(RGBmedian[n,m,:])
    return poolmedian

def vectorized():
    # Note: np.median is only called ONCE, not n*m times.
    poolmedian[:, :, 0] = np.median(RGBmedian, axis=-1)
    return poolmedian


orig = original()
vec = vectorized()

np.testing.assert_array_equal(orig, vec)

您可以看到自断言通过以来，值是相同的（尽管尚不清楚为什么在poolmedian中需要3个暗角）。我将上面的代码放在一个名为test.py的文件中，并使用IPython来方便使用%timeit。我也略微减小了大小，以使其运行更快，但是您应该在大数据上获得类似的节省。向量化版本的速度提高了约100倍：

In [1]: from test import original, vectorized

In [2]: %timeit original()
69.1 ms ± 394 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [3]: %timeit vectorized()
618 µs ± 4.1 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

通常，您要使用numpy的广播规则并尽可能少地调用一个函数。如果您要寻找高效的numpy代码，那么在循环中调用函数几乎总是。

附录：

我在test.py中添加了以下函数，因为还有另一个答案，所以我想说明一下，调用完全矢量化的版本（即无循环）会更快，并且还可以修改为使用dims 4000 x 6000：

import numpy as np
height = 4000
width = 6000
N = 15

...

def fordy():
    for n in range(0,height):
        for m in range(0,width):
            array = RGBmedian[n,m,:]
            array.sort()
            poolmedian[n, m, 0] = (array[6] + array[7])/2
    return poolmedian

如果将所有这些都加载到IPython中，我们将得到：

In [1]: from test import original, fordy, vectorized

In [2]: %timeit original()
6.87 s ± 72.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [3]: %timeit fordy()
262 ms ± 737 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [4]: %timeit vectorized()
18.4 ms ± 149 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

HTH。

大型numpy数组中的中位数更快

1 个答案: