回答此问题可获得 20 贡献值,回答如果被采纳可获得 50 分。
<p>我有两个2d numpy数组:x_数组包含x方向的位置信息,y_数组包含y方向的位置。</p>
<p>然后我有一长串的x,y点。</p>
<p>对于列表中的每个点,我需要找到最接近该点的位置(在数组中指定)的数组索引。</p>
<p>基于这个问题,我天真地生成了一些有效的代码:
<a href="https://stackoverflow.com/questions/2566412/find-nearest-value-in-numpy-array">Find nearest value in numpy array</a></p>
<p>即</p>
<pre><code>import time
import numpy
def find_index_of_nearest_xy(y_array, x_array, y_point, x_point):
distance = (y_array-y_point)**2 + (x_array-x_point)**2
idy,idx = numpy.where(distance==distance.min())
return idy[0],idx[0]
def do_all(y_array, x_array, points):
store = []
for i in xrange(points.shape[1]):
store.<a href="https://www.cnpython.com/list/append" class="inner-link">append</a>(find_index_of_nearest_xy(y_array,x_array,points[0,i],points[1,i]))
return store
# Create some dummy data
y_array = numpy.random.random(10000).reshape(100,100)
x_array = numpy.random.random(10000).reshape(100,100)
points = numpy.random.random(10000).reshape(2,5000)
# Time how long it takes to run
start = time.time()
results = do_all(y_array, x_array, points)
end = time.time()
print 'Completed in: ',end-start
</code></pre>
<p>我是在一个大数据集上做这个的,我真的想加快一点。
有人能优化这个吗?</p>
<p>谢谢。</p>
<hr/>
<p>更新:解决方案遵循@silvado和@justin的建议(如下)</p>
<pre><code># Shoe-horn existing data for entry into KDTree routines
combined_x_y_arrays = numpy.dstack([y_array.ravel(),x_array.ravel()])[0]
points_list = list(points.transpose())
def do_kdtree(combined_x_y_arrays,points):
mytree = scipy.spatial.cKDTree(combined_x_y_arrays)
dist, indexes = mytree.query(points)
return indexes
start = time.time()
results2 = do_kdtree(combined_x_y_arrays,points_list)
end = time.time()
print 'Completed in: ',end-start
</code></pre>
<p>上面的代码将我的代码(在100x100矩阵中搜索5000个点)提高了100倍。有趣的是,使用scipy.spatial.KDTree(而不是scipy.spatial.cKDTree)提供了与我的原始解决方案相当的时间,因此使用cKDTree版本绝对值得。。。</p>