Question

我正在使用一些非常大的数组。我正在处理的一个问题当然是RAM耗尽，但在此之前我的代码运行缓慢，所以即使我有无限的RAM，它仍然需要太长时间。我将给出一些代码来展示我正在尝试做的事情：

#samplez is a 3 million element 1-D array
#zfit is a 10,000 x 500 2-D array

b = np.arange((len(zfit))

for x in samplez:
    a = x-zfit
    mask = np.ma.masked_array(a)
    mask[a <= 0] = np.ma.masked
    index = mask.argmin(axis=1)
    #  These past 4 lines give me an index array of the smallest positive number 
    #  in x - zift       

    d = zfit[b,index]
    e = zfit[b,index+1]
    f = (x-d)/(e-d)
    # f is the calculation I am after

    if x == samplez[0]:
       g = f
       index_stack = index
    else:
       g = np.vstack((g,f))
       index_stack = np.vstack((index_stack,index))

在进一步的计算中，我需要使用g和index_stack，每个都是3百万x 10,000个2-D阵列。这个循环的每次迭代花费将近1秒，总共300万秒，这太长了。

我有什么办法可以让这个计算运行得更快吗？我试着想想如果没有这个for循环我怎么做，但我能想象的唯一方法是制作300万份zfit，这是不可行的。

有没有我可以通过不将所有内容保存在RAM中来处理这些数组？我是初学者，我搜索过的所有内容都是无关紧要的，或者是我无法理解的。提前谢谢。

Answer 1

很高兴知道最小的正数永远不会出现在行的末尾。

在samplez中有100万个唯一值，但在zfit中，每行最多只能包含500个唯一值。整个zfit可以拥有多达5000万个唯一值。如果'找到最小的正数>的数量，则可以大大加快算法的速度。 each_element_in_samplez'的计算可以大大减少。进行所有5e13比较可能是一种过度杀伤，小心翼翼的计划将能够摆脱它的大部分。这很大程度上取决于你的实际基础数学。

在不知情的情况下，仍然可以做一些小事。 1，没有那么多可能的(e-d)因此可以从循环中取出。 2，循环可以通过map消除。在我的机器上，这两个小的修正，导致大约22％的加速。

def function_map(samplez, zfit):
    diff=zfit[:,:-1]-zfit[:,1:]
    def _fuc1(x):
        a = x-zfit
        mask = np.ma.masked_array(a)
        mask[a <= 0] = np.ma.masked
        index = mask.argmin(axis=1)
        d = zfit[:,index]
        f = (x-d)/diff[:,index] #constrain: smallest value never at the very end.
        return (index, f)
    result=map(_fuc1, samplez)
    return (np.array([item[1] for item in result]),
           np.array([item[0] for item in result]))

下一步：masked_array可以完全避免（这应该会带来显着的改善）。 samplez也需要进行排序。

>>> x1=arange(50)
>>> x2=random.random(size=(20, 10))*120
>>> x2=sort(x2, axis=1) #just to make sure the last elements of each col > largest val in x1
>>> x3=x2*1
>>> f1=lambda: function_map2(x1,x3)
>>> f0=lambda: function_map(x1, x2)
>>> def function_map2(samplez, zfit):
    _diff=diff(zfit, axis=1)
    _zfit=zfit*1
    def _fuc1(x):
        _zfit[_zfit<x]=(+inf)
        index = nanargmin(zfit, axis=1)
        d = zfit[:,index]
        f = (x-d)/_diff[:,index] #constrain: smallest value never at the very end.
        return (index, f)
    result=map(_fuc1, samplez)
    return (np.array([item[1] for item in result]),
           np.array([item[0] for item in result]))

>>> import timeit
>>> t1=timeit.Timer('f1()', 'from __main__ import f1')
>>> t0=timeit.Timer('f0()', 'from __main__ import f0')
>>> t0.timeit(5)
0.09083795547485352
>>> t1.timeit(5)
0.05301499366760254
>>> t0.timeit(50)
0.8838210105895996
>>> t1.timeit(50)
0.5063929557800293
>>> t0.timeit(500)
8.900799036026001
>>> t1.timeit(500)
4.614129018783569

所以，这是另一个50％的加速。

避免使用

masked_array并节省一些RAM。想不出别的什么可以减少RAM的使用。可能需要部分处理samplez。此外，如果您可以使用float16或float32而不是默认float64来节省大量RAM，则可以依赖数据和所需的精度。

具有非常大的numpy阵列的效率

1 个答案: