下面的代码正是我想要的(它是kriging方法的一部分)。但问题是它的速度太慢了,我想知道是否有任何选择可以将for循环向下推到numpy?如果我把数字总和,使用轴参数,它会加快一点,但显然这不是瓶颈。有什么想法可以让我把forloop推到numpy来加速,或者用其他方法来加速吗?)在
# 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)
我贴出了ndarrays n矩阵的维数来清理一些东西
编辑:VV的形状是2116
基本上是取
GRZVV
的每一行,在末尾附加一个1,将其与GinvVV
相乘,然后将向量中的所有元素相加。如果不执行“append 1”操作,则可以在不使用循环的情况下完成所有操作,如下所示:甚至:
^{pr2}$我们如何处理额外的1?好吧,从矩阵乘法得到的向量会增加
GinvVV[:, -1]
中的相应值,当你把它们都加起来,这个值就会增加np.sum(GinvVV[:, -1])
。因此,我们只需计算一次,然后将其添加到返回向量中的所有项目中:如果
VV
是标量,则上面的代码可以工作。如果它是一个形状(n,)
的数组,则以下操作将起作用:您可以执行以下操作来代替k循环(运行时间~3s):
相关问题 更多 >
编程相关推荐