Question

我正在使用python和numpy来比较两个数组或相等的形状与坐标（x，y，z）以匹配它们，看起来像这样：

coordsCFS
array([[ 0.02      ,  0.02      ,  0.        ],
       [ 0.03      ,  0.02      ,  0.        ],
       [ 0.02      ,  0.025     ,  0.        ],
        ..., 
       [ 0.02958333,  0.029375  ,  0.        ],
       [ 0.02958333,  0.0290625 ,  0.        ],
       [ 0.02958333,  0.0296875 ,  0.        ]])

和

coordsRMED
array([[ 0.02      ,  0.02      ,  0.        ],
       [ 0.02083333,  0.02      ,  0.        ],
       [ 0.02083333,  0.020625  ,  0.        ],
       ..., 
       [ 0.03      ,  0.0296875 ,  0.        ],
       [ 0.02958333,  0.03      ,  0.        ],
       [ 0.02958333,  0.0296875 ,  0.        ]])

使用h5py从两个hdf5文件中读取数据。为了比较，我使用allclose来测试“几乎相等”。坐标在python的常规浮点精度内不匹配。这就是我使用for循环的原因，否则它会与numpy.where一起使用。我通常会尽量避免循环，但在这种情况下我无法弄清楚如何。所以我想出了这个令人惊讶的慢速片段：

mapList = []
for cfsXYZ in coordsCFS:
    # print cfsXYZ
    indexMatch = 0
    match = []
    for asterXYZ in coordRMED:
        if numpy.allclose(asterXYZ,cfsXYZ):
            match.append(indexMatch)
            # print "Found match at index " + str(indexMatch)
            # print asterXYZ
        indexMatch += 1

    # check: must only find one match. 
    if len(match) != 1:
        print "ERROR matching"
        print match
        print cfsXYZ
        return 1

    # save to list
    mapList.append(match[0])

if len(mapList) != coordsRMED.shape[0]:
    print "ERROR: matching consistency check"
    print mapList
    return 1

对于我的测试样本大小（800行），这非常慢。我打算比较更大的套装。我可以删除一致性检查并在内部for循环中使用break以获得一些速度优势。还有更好的方法吗？

Answer 1

一种解决方案是对两个数组进行排序（添加索引列以使排序的数组仍包含原始索引）。然后，匹配，在锁步中逐步执行数组。由于您期望获得精确的1-1对应关系，因此您应该始终能够将行对匹配。

Answer 2

首先要记住的是，默认情况下，在NumPy中，“迭代总是以C风格的连续方式进行（最后一个索引变化最快）”[1]。你可以通过颠倒迭代的顺序来改进事物（迭代coordMED.T，转换coordMED ...）

尽管如此，我仍然对你需要一个循环感到惊讶：你声称'坐标在python的常规浮点精度内不匹配'：你是否尝试调整rtol和{{1} } atol的参数，如doc？

中所述

[1]

Answer 3

你可以用这样的东西摆脱内循环：

for cfsXYZ in coordsCFS:
    match = numpy.nonzero(
        numpy.max(numpy.abs(coordRMED - cfsXYZ), axis=1) < TOLERANCE)

NumPy中与For循环的慢行比较 - 如何改进？

3 个答案: