1

所以这是我之前问题的一个小后续问题：在多边形内部生成坐标和我的答案https://stackoverflow.com/a/15243767/1740928 事实上，我想将多边形数据合并到常规网格中。因此，我计算了多边形内的几个坐标，并将它们的纬度/经度组合转换为它们各自的网格列/行组合。

目前，行/列信息存储在一个numpy数组中，其行数对应于数据多边形的数量，其列数对应于多边形中的坐标。

整个代码不到一秒钟，但这段代码是目前的瓶颈（大约 7 秒）：

for ii in np.arange(len(data)):
    for cc in np.arange(data_lats.shape[1]):
        final_grid[        row[ii,cc], col[ii,cc] ] += data[ii]
        final_grid_counts[ row[ii,cc], col[ii,cc] ] += 1

数组“data”只包含每个多边形（80000）的数据值。数组“row”和“col”包含多边形中坐标的行号和列号（形状：（80000,16））。如您所见，我正在汇总每个网格单元格中的所有数据值并计算匹配数。因此，我知道每个网格单元的平均值，以防不同的多边形相交。不过，这两个 for 循环怎么会花费大约 7 秒呢？你能想出更快的方法吗？

4

2 回答 2

2

我认为 numpy 应该添加一个 nd-bincount 函数，我有一个来自我前一段时间正在从事的项目的一个项目。

import numpy as np

def two_d_bincount(row, col, weights=None, shape=None):
    if shape is None:
        shape = (row.max() + 1, col.max() + 1)
    row = np.asarray(row, 'int')
    col = np.asarray(col, 'int')

    x = np.ravel_multi_index([row, col], shape)
    out = np.bincount(x, weights, minlength=np.prod(shape))
    return out.reshape(shape)

weights = np.column_stack([data] * row.shape[1])
final_grid = two_d_bincount(row.ravel(), col.ravel(), weights.ravel())
final_grid_counts = two_d_bincount(row.ravel(), col.ravel())

我希望这有帮助。

于 2013-03-06T21:48:50.360 回答
1

我可能不完全理解不同网格的形状，但您可以cc使用以下方法消除循环：

final_grid = np.empty((nrows,ncols))
for ii in xrange(len(data)):
    final_grid[row[ii,:],col[ii,:]] = data[ii]

这当然假设final_grid没有其他信息开始（您递增的计数从零开始）。而且我不确定如何测试它是否有效，不了解您的row和col数组的工作方式。

于 2013-03-06T20:47:32.163 回答