gpt4 book ai didi

numpy - 在二维数组上使用 numpy.interp 的最快方法

转载 作者:行者123 更新时间:2023-12-03 13:02:05 48 4
gpt4 key购买 nike

我有以下问题。我试图找到在 x 坐标的二维数组上使用 numpy 插值方法的最快方法。

import numpy as np

xp = [0.0, 0.25, 0.5, 0.75, 1.0]

np.random.seed(100)
x = np.random.rand(10)
fp = np.random.rand(10, 5)

所以基本上, xp将是数据点的 x 坐标, x将是一个包含我想要插值的值的 x 坐标的数组,以及 fp将是一个包含数据点 y 坐标的二维数组。
xp
[0.0, 0.25, 0.5, 0.75, 1.0]

x
array([ 0.54340494, 0.27836939, 0.42451759, 0.84477613, 0.00471886,
0.12156912, 0.67074908, 0.82585276, 0.13670659, 0.57509333])

fp
array([[ 0.89132195, 0.20920212, 0.18532822, 0.10837689, 0.21969749],
[ 0.97862378, 0.81168315, 0.17194101, 0.81622475, 0.27407375],
[ 0.43170418, 0.94002982, 0.81764938, 0.33611195, 0.17541045],
[ 0.37283205, 0.00568851, 0.25242635, 0.79566251, 0.01525497],
[ 0.59884338, 0.60380454, 0.10514769, 0.38194344, 0.03647606],
[ 0.89041156, 0.98092086, 0.05994199, 0.89054594, 0.5769015 ],
[ 0.74247969, 0.63018394, 0.58184219, 0.02043913, 0.21002658],
[ 0.54468488, 0.76911517, 0.25069523, 0.28589569, 0.85239509],
[ 0.97500649, 0.88485329, 0.35950784, 0.59885895, 0.35479561],
[ 0.34019022, 0.17808099, 0.23769421, 0.04486228, 0.50543143]])

所需的结果应如下所示:
array([ 0.17196795,  0.73908678,  0.85459966,  0.49980648,  0.59893702,
0.9344241 , 0.19840596, 0.45777785, 0.92570835, 0.17977264])

同样,寻找最快的方法是因为这是我的问题的简化版本,它的长度约为 100 万而不是 10。

谢谢

最佳答案

所以基本上你想要的输出相当于

np.array([np.interp(x[i], xp, fp[i]) for i in range(x.size)])

但是那个 for对于大型 x.size 来说,循环会变得很慢。

这应该有效:
def multiInterp(x, xp, fp):
i, j = np.nonzero(np.diff(np.array(xp)[None,:] < x[:,None]))
d = (x - xp[j]) / np.diff(xp)[j]
return fp[i, j] + np.diff(fp)[i, j] * d

编辑:这效果更好,可以处理更大的数组:
def multiInterp2(x, xp, fp):
i = np.arange(x.size)
j = np.searchsorted(xp, x) - 1
d = (x - xp[j]) / (xp[j + 1] - xp[j])
return (1 - d) * fp[i, j] + fp[i, j + 1] * d

测试:
multiInterp2(x, xp, fp)
Out:
array([ 0.17196795, 0.73908678, 0.85459966, 0.49980648, 0.59893702,
0.9344241 , 0.19840596, 0.45777785, 0.92570835, 0.17977264])

使用原始数据进行计时测试:
    %timeit multiInterp2(x, xp, fp)
The slowest run took 6.87 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 25.5 µs per loop

%timeit np.concatenate([compiled_interp(x[[i]], xp, fp[i]) for i in range(fp.shape[0])])
The slowest run took 4.03 times longer than the fastest. This could mean that an intermediate result is being cached.
10000 loops, best of 3: 39.3 µs per loop

即使对于 x 的小尺寸,似乎也更快

让我们尝试一些更大的东西:
n = 10000
m = 10000

xp = np.linspace(0, 1, n)
x = np.random.rand(m)
fp = np.random.rand(m, n)

%timeit b() # kazemakase's above
10 loops, best of 3: 38.4 ms per loop

%timeit multiInterp2(x, xp, fp)
100 loops, best of 3: 2.4 ms per loop

这些优势甚至比 np.interp 的编译版本要好得多。

关于numpy - 在二维数组上使用 numpy.interp 的最快方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43772218/

48 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com