3

我想找到最有效的方法来找到巨大的局部最大值数据点集中作为输入，使用了两个带有 x 和 y 值的长列表。

考虑这个简单的例子：

xval = [-0.15, -0.02, 0.1, 0.22, 0.36, 0.43, 0.58, 0.67, 0.79, 0.86, 0.96 ]

yval = [-0.09, 0.13, -0.01, -0.1, -0.05, 0.2, 0.56, 0.47, 0.35, 0.43, 0.69]

在此处输入图像描述

所需的输出是具有峰值点索引的列表，这里 locMaxId = [1,6,10]。比较最近的邻居是解决方案，但是对于 10k 值？

4

1 回答 1

4

您可以让 numpy 处理迭代，即对其进行矢量化：

def local_maxima(xval, yval):
    xval = np.asarray(xval)
    yval = np.asarray(yval)

    sort_idx = np.argsort(xval)
    yval = yval[sort_idx]
    gradient = np.diff(yval)
    maxima = np.diff((gradient > 0).view(np.int8))
    return np.concatenate((([0],) if gradient[0] < 0 else ()) +
                          (np.where(maxima == -1)[0] + 1,) +
                          (([len(yval)-1],) if gradient[-1] > 0 else ()))

编辑所以代码首先计算从每个点到 nex( gradient) 的变化。下一步有点棘手......如果你这样做np.diff((gradient > 0)，得到的布尔数组就是True从增长（> 0）变为不增长（<= 0）的地方。通过将其设置为与布尔数组大小相同的有符号整数，您可以区分从增长到不增长 ( -1) 到相反 ( +1) 的转换。通过采用.view(np.int8)与布尔数组相同的 dtype 大小的有符号整数类型，我们避免了复制数据，如果我们做更少的hacky会发生这种情况.astype(int). 剩下的就是处理第一个和最后一个点，并将所有点连接到一个数组中。我今天发现的一件事是，如果您在发送到的元组中包含一个空列表np.concatenate，它会作为 dtype 的空数组出现np.float，并且最终成为结果的 dtype，因此空元组的连接更复杂在上面的代码中。

有用：

In [2]: local_maxima(xval, yval)
Out[2]: array([ 1,  6, 10], dtype=int64)

并且相当快：

In [3]: xval = np.random.rand(10000)

In [4]: yval = np.random.rand(10000)

In [5]: local_maxima(xval, yval)
Out[5]: array([   0,    2,    4, ..., 9991, 9995, 9998], dtype=int64)

In [6]: %timeit local_maxima(xval, yval)
1000 loops, best of 3: 1.16 ms per loop

此外，大部分时间是将数据从列表转换为数组并对其进行排序。如果您的数据已经排序并保存在数组中，您可能可以将上述性能提高 5 倍。

于 2013-07-28T14:04:28.650 回答