python - 一些 python/numpy 优化可能吗？

Question

我正在分析一些带有嵌套循环的遗传算法代码，据我所知，大部分时间都花在了我的两个函数上，这两个函数涉及对 numpy 数组进行切片和相加。我尽力进一步优化它们，但想看看其他人是否提出了想法。

功能一:

第一个函数被调用了 2954684 次，函数内部花费的总时间为 19 秒

我们基本上只是根据 data[1] 中包含的坐标在 data[0] 中包含的 numpy 数组中创建 View

def get_signal(data, options):
    #data[0] contains bed, data[1] contains position
    #forward = 0, reverse = 1
    start = data[1][0] - options.halfwinwidth
    end = data[1][0] + options.halfwinwidth
    if data[1][1] == 0:
        normals_forward = data[0]['normals_forward'][start:end]
        normals_reverse = data[0]['normals_reverse'][start:end]
    else:
        normals_forward = data[0]['normals_reverse'][end - 1:start - 1: -1]
        normals_reverse = data[0]['normals_forward'][end - 1:start - 1: -1]

    row = {'normals_forward': normals_forward,
           'normals_reverse': normals_reverse,
           }
    return row

功能二:

调用 857 次，在函数内花费的总时间为 13.674 秒:

signal 是等长的 numpy 数组列表，dtype float，options 只是随机选项

该函数的目标只是将每个numpy数组的列表相加为一个，计算正向和反向数组形成的两条曲线的交点并返回结果

def calculate_signal(signal, options):

    profile_normals_forward = np.zeros(options.halfwinwidth * 2, dtype='f')
    profile_normals_reverse = np.zeros(options.halfwinwidth * 2, dtype='f')

    #here i tried np.sum over axis = 0, its significantly slower than the for loop approach
    for b in signal:
        profile_normals_forward += b['normals_forward']
        profile_normals_reverse += b['normals_reverse']

    count = len(signal)

    if options.normalize == 1:
        #print "Normalizing to max counts"
        profile_normals_forward /= max(profile_normals_forward)
        profile_normals_reverse /= max(profile_normals_reverse)
      elif options.normalize == 2:
        #print "Normalizing to number of elements"
        profile_normals_forward /= count
        profile_normals_reverse /= count

    intersection_signal = np.fmin(profile_normals_forward, profile_normals_reverse)
    intersection = np.sum(intersection_signal)

    results = {"intersection": intersection,
               "profile_normals_forward": profile_normals_forward,
               "profile_normals_reverse": profile_normals_reverse,
               }
    return results

如您所见，这两个非常简单，但在一个可以运行数小时/数天(遗传算法优化)的脚本上占我执行时间的 > 60%，因此欢迎进行微小的改进:)

Answer 1

为了提高第一个函数的速度，我会做的一件简单的事情是使用不同的符号来访问列表索引，详见 here .

例如:

foo = numpyArray[1][0] 
bar = numpyArray[1,0]

第二行将执行得更快，因为您不必返回 numpyArray[1] 处的整个元素，然后找到其中的第一个元素。试试看