我正在处理python 64位上的非常大的数据集,需要一些帮助来优化我的插值代码。
我习惯于 使用 numpy 来避免循环,但这里有 2 个循环我找不到避免的方法。
主要问题还在于,当我使用 numpy 时,我需要计算的数组大小会出现内存错误,所以我切换到 scipy 稀疏数组,它可以工作,但计算 2 个左循环需要太多时间......
我尝试使用 numpy.fromfunction 迭代构建我的矩阵,但它无法运行,因为数组的大小太大。
我已经阅读了很多关于构建大型数组的文章,但是与我必须构建的数组相比,被问到的数组太简单了,因此解决方案在这里不起作用。
我无法减小数据集的大小,因为它是我已经在 10x10 图块中平铺的点云。
这是我的插值代码:
z_int = ss.dok_matrix((x_int.shape))
n,p = x_obs.shape
m = y_obs.shape[0]
a1 = ss.coo_matrix( (n, 3), dtype=np.int64 )
a2 = ss.coo_matrix( (3, 3), dtype=np.int64 )
a3 = ss.dok_matrix( (n, m))
a4 = ss.coo_matrix( (3, n), dtype=np.int64)
b = ss.vstack((z_obs, ss.coo_matrix( (3, 1), dtype=np.int64 ))).tocoo()
a1 = ss.hstack((ss.coo_matrix(np.ones((n,p))), ss.coo_matrix(x_obs), ss.coo_matrix(y_obs)))
shape_a3 = a3.shape[0]
for l in np.arange(0, shape_a3):
for c in np.arange(0, shape_a3) :
if l == c:
a3[l, c] = rho
else:
a3[l, c] = phi(x_obs[l] - x_obs[c], y_obs[l] - y_obs[c])
a4 = a1.transpose()
a12 = ss.vstack((a1, a2))
a34 = ss.vstack((a3, a4))
a = ss.hstack((a12, a34)).tocoo()
x = spsolve(a, b)
for i in np.arange(0, z_int.shape[0]):
for j in np.arange(0, z_int.shape[0]):
z_int[i, j] = x[0] + x[1] * x_int[i, j] + x[2] * y_int[i, j] + np.sum(x[3:] * phi(x_int[i, j] - x_obs, y_int[i, j] - y_obs).T)
return z_int.todense()
其中 dist() 是一个计算距离的函数,phi 是以下:
return dist(dx, dy) ** 2 * np.log(dist(dx, dy))
我需要代码运行得更快,我知道它可能写得很糟糕,但我想学习如何编写更优化的东西来提高我的编码技能。
该代码很难遵循,而且速度很慢,这是可以理解的。 稀疏矩阵的迭代甚至比密集数组的迭代慢。 我几乎希望您从使用密集数组的小型工作示例开始,然后再担心使其适用于大情况。 我不会尝试全面的修复或加速,只是在这里和那里啃咬。
这第一个a1
创造对你没有任何作用(除了浪费时间)。 Python 不是一种编译语言,您可以在开始时定义变量的类型。 第二个赋值之后a1
是一个稀疏矩阵,因为这是hstack
创建的,而不是因为前一个coo
赋值。
a1 = ss.coo_matrix( (n, 3), dtype=np.int64 )
...
a1 = ss.hstack((ss.coo_matrix(np.ones((n,p))), ss.coo_matrix(x_obs), ss.coo_matrix(y_obs)))
初始化dok
矩阵、zint
和a3
是正确的,因为您需要迭代以填充值。 但我喜欢看到这种初始化更接近循环,而不是回到顶部。 我会使用lil
而不是dok
,但我不确定这是否更快。
for l in np.arange(0, shape_a3):
for c in np.arange(0, shape_a3) :
if l == c:
a3[l, c] = rho
else:
a3[l, c] = phi(x_obs[l] - x_obs[c], y_obs[l] - y_obs[c])
l==c
测试确定主对角线。 有一些方法可以制作对角矩阵。 但看起来您正在设置a3
的所有元素。 如果是这样,为什么要使用较慢的稀疏方法?
什么是phi
它需要标量输入吗?x_obs[:,None]-x_obs
应该直接给出一个 (n,n) 数组。
spsolve
产生什么?x
,稀疏或密集。 从您在z_int
循环中的使用来看,它看起来像一个 1D 密集数组。 看起来您正在设置z_int
的所有值。
如果phi
需要一个(n,n)数组,我认为
x[0] + x[1] * x_int[i, j] + x[2] * y_int[i, j] + np.sum(x[3:] * phi(x_int[i, j] - x_obs, y_int[i, j] - y_obs).T)
x[0] + x[1] * x_int + x[2] * y_int + np.sum(x[3:]) * phi(x_int-x_obs, y_int-y_obs).T)