6

我有以下代码完全符合我的要求（它是克里金方法的一部分）。但问题是它太慢了，我想知道是否有任何选项可以将 for 循环推到 numpy？如果我推出 numpy.sum，并在那里使用轴参数，它会加快一点，但显然这不是瓶颈。关于如何将 forloop 向下推到 numpy 以加快速度或其他方式来加快速度的任何想法？）

# n = 2116
print GRZVV.shape  # (16309, 2116)
print GinvVV.shape  # (2117, 2117) 
VVg = numpy.empty((GRZVV.shape[0]))

for k in xrange(GRZVV.shape[0]):
    GRVV = numpy.empty((n+1, 1))
    GRVV[n, 0] = 1
    GRVV[:n, 0] = GRZVV[k, :]
    EVV = numpy.array(GinvVV * GRVV)  # GinvVV is numpy.matrix
    VVg[k] = numpy.sum(EVV[:n, 0] * VV)

我发布了 ndarrays n 矩阵的尺寸以清除一些东西

编辑：VV 的形状是 2116

4

2 回答 2

5

您可以执行以下操作来代替 k 上的循环（运行时 ~3s）：

tmp = np.concatenate((GRZVV, np.ones((16309,1),dtype=np.double)), axis=1)
EVV1 = np.dot(GinvVV, tmp.T)
#Changed line below based on *askewchan's* recommendation
VVg1 = np.sum(np.multiply(EVV1[:n,:],VV[:,np.newaxis]), axis=0)
于 2013-09-23T13:25:24.510 回答
3

您基本上是取 的每一行GRZVV，在末尾附加一个 1，将其与 相乘GinvVV，然后将向量中的所有元素相加。如果你没有做“追加 1”的事情，你可以在没有循环的情况下完成这一切：

VVg = np.sum(np.dot(GinvVV[:, :-1], GRZVV.T), axis=-1) * VV

甚至：

VVg = np.einsum('ij,kj->k', GinvVV[:, :-1], GRZVV) * VV

我们如何处理额外的 1？好吧，来自矩阵乘法的结果向量将增加 中的相应值GinvVV[:, -1]，当您将它们全部相加时，该值将增加np.sum(GinvVV[:, -1])。所以我们可以简单地计算一次并将其添加到返回向量中的所有项目中：

VVg = (np.einsum('ij,kj->k', GinvVV[:-1, :-1], GRZVV) + np.sum(GinvVV[:-1, -1])) * VV

如果VV是标量，则上面的代码有效。如果它是一个 shape 数组(n,)，那么以下将起作用：

GinvVV = np.asarray(GinvVV)
VVgbis = (np.einsum('ij,kj->k', GinvVV[:-1, :-1]*VV[:, None], GRZVV) +
          np.dot(GinvVV[:-1, -1], VV))
于 2013-09-23T13:19:19.763 回答