python - 按体素随机播放 4 维时间序列

Question

我有一个 4 维数组，它是 3 维数组的时间序列。我想沿时间轴打乱 3 维数组中的每个点。这是我使用嵌套的 for 循环编写的代码。这可以用花哨的 numpy 索引来完成吗？速度是一个因素。谢谢。

import numpy as np

timepoints = 2
x = 4
y = 4
z = 3

vol_1 = np.zeros((x, y, z))
vol_2 = np.ones((x, y, z))
timeseries = np.array((vol_1, vol_2))

timeseries.shape  # (2, 4, 4, 3)

# One voxel over time.
timeseries[:, 0, 0, 0]

for xx in range(x):
    for yy in range(y):
        for zz in range(z):
            np.random.shuffle(timeseries[:, xx, yy, zz])

Answer 1

我们可以沿第一个轴生成所有打乱的索引，然后简单地使用 advanced-indexing获得随机版本。现在，为了获得那些所有打乱的索引，我们可以生成一个与输入数组形状相同的随机数组，并获得沿第一个轴的 argsort 索引。之前已经探索过，如here .

因此，我们将有一个像这样的矢量化实现 -

m,n,r,p = a.shape # a is the input array
idx = np.random.rand(*a.shape).argsort(0)
out = a[idx, np.arange(n)[:,None,None], np.arange(r)[:,None], np.arange(p)]

只是为了向读者解释问题到底是什么，这里有一个示例运行 -

1)输入4维数组:

In [711]: a
Out[711]: 
array([[[[60, 22, 34],
         [29, 18, 79]],

        [[11, 69, 41],
         [75, 30, 30]]],


       [[[63, 61, 42],
         [70, 56, 57]],

        [[70, 98, 71],
         [29, 93, 96]]]])

2) 使用所提出的沿第一个轴进行索引的方法生成的随机索引:

In [712]: idx
Out[712]: 
array([[[[1, 0, 1],
         [0, 1, 1]],

        [[0, 0, 1],
         [1, 0, 1]]],


       [[[0, 1, 0],
         [1, 0, 0]],

        [[1, 1, 0],
         [0, 1, 0]]]])

3) 最后索引到输入数组中以进行混洗输出:

In [713]: out
Out[713]: 
array([[[[63, 22, 42],
         [29, 56, 57]],

        [[11, 69, 71],
         [29, 30, 96]]],


       [[[60, 61, 34],
         [70, 18, 79]],

        [[70, 98, 41],
         [75, 93, 30]]]])

仔细观察，我们会在 a[0,0,0,0] 和 60 处看到 63 a[1,0,0,0] 由于 idx 值为 1 和 0 而被交换> 分别在 idx 中相应的位置。接下来，22 和 61 留在它们的位置，因为 idx 值是 0 和 1 等等。

运行时测试

In [726]: timeseries = np.random.rand(10,10,10,10)

In [727]: %timeit org_app(timeseries)
100 loops, best of 3: 5.24 ms per loop

In [728]: %timeit proposed_app(timeseries)
1000 loops, best of 3: 289 µs per loop

In [729]: timeseries = np.random.rand(50,50,50,50)

In [730]: %timeit org_app(timeseries)
1 loop, best of 3: 720 ms per loop

In [731]: %timeit proposed_app(timeseries)
1 loop, best of 3: 426 ms per loop

在大尺寸情况下，创建随机数组的成本被证明是所提出方法的瓶颈，但与原始循环版本相比仍然显示出良好的加速。