Question

早上好，我在Numpy中使用Cressman过滤器来进行距离加权平均。我使用Ball Tree implimentation（感谢Jake VanderPlas）返回请求数组中每个点的定位列表..查询数组（q）是形状[n，3]并且在每个点都有x，y，z在点I我想对树中存储的点进行加权平均..包裹在树周围的代码返回一定距离内的点，所以我得到一个数组可变长度数组.. 我使用where来查找非空条目（即影响半径内至少有一些点的位置）创建isgood数组......

然后我循环遍历所有查询点以返回值self.z的加权平均值（请注意，这可以是dims = 1或dims = 2以允许多个共网格化）

所以使用map或其他更快的方法合成的事情是self.distances和self.locations中数组长度的不均匀性...我仍然相当绿色numpy / python但我想不出一个方法这样做数组（即不回复循环）

self.locations, self.distances = self.tree.query_radius( q, r, return_distance=True)
t2=time()
if debug: print "Removing voids"
isgood=np.where( np.array([len(x) for x in self.locations])!=0)[0]
interpol = np.zeros( (len(self.locations),) + np.shape(self.z[0]) )
interpol.fill(np.nan)
for dist, ix, posn, roi in zip(self.distances[isgood], self.locations[isgood], isgood, r[isgood]):
    interpol[isgood[jinterpol]] = np.average(self.z[ix], weights=(roi**2-dist**2) / (roi**2 + dist**2), axis=0)
    jinterpol += 1

所以......有关如何加速循环的任何提示吗？..

对于典型的映射，应用于将天气雷达数据从范围，方位角，仰角网格映射到笛卡尔网格，其中我有240x240x34点和4个变量需要99s来查询树（由Jake在C和cython中编写..这是艰难的一步，因为你需要搜索数据！）和100秒进行计算......在我看来这很慢？我的开销在哪里？ np.mean是高效还是被称为数百万次，这里有加速吗？我会通过使用float32而不是default64来获得...甚至缩放到整数（这将很难避免在加权中包裹...任何提示感激地收到！

Answer 1

您可以在以下网址找到关于Cressman方案与使用高斯权重函数的相对优点的讨论：

http://www.flame.org/~cdoswell/publications/radar_oa_00.pdf

关键是将平滑参数与数据匹配（我建议使用接近数据点之间平均间距的值）。一旦知道了平滑参数，就可以将“影响半径”设置为等于权重函数下降到0.01（或其他）的半径。

速度有多重要？如果您愿意，您可以为一些固定数量的半径增量组成一个离散的权重表，而不是调用指数函数来确定权重，这样可以大大加快计算速度。理想情况下，您应该拥有网格边界之外的数据，这些数据可用于映射网格点周围的值（甚至在网格的边界点上）。请注意，这不是真正的插值方案 - 它不会准确地返回数据点处的观测值。就像Cressman方案一样，它是一个低通滤波器。

在numpy中执行许多手段

1 个答案: