对于带纽比的环路速度

Question

我试图让这段代码在python中快速运行，但是我有困难让它以接近MATLAB中运行的速度运行。问题似乎是这个for循环，当数字“SRpixels”大约等于25000时，它需要大约2秒的时间来运行。在

我找不到任何进一步的建议。在

下面numpy数组的数据类型是float32，除了**\u位置[]是uint32。在

for j in range (0,SRpixels):
    #Skip data if outside valid range
    if (abs(SR_pointCloud[j,0]) > SR_xMax or SR_pointCloud[j,2] > SR_zMax or SR_pointCloud[j,2] < 0):
        pass
    else:           
        RIGrid1_Location[j,0] = np.floor(((SR_pointCloud[j,0] + xPosition + 5) - xGrid1Center) / gridSize)
        RIGrid1_Location[j,1] = np.floor(((SR_pointCloud[j,2] + yPosition) - yGrid1LowerBound) / gridSize)

        RIGrid1_Count[RIGrid1_Location[j,0],RIGrid1_Location[j,1]] += 1
        RIGrid1_Sum[RIGrid1_Location[j,0],RIGrid1_Location[j,1]] += SR_pointCloud[j,1]
        RIGrid1_SumofSquares[RIGrid1_Location[j,0],RIGrid1_Location[j,1]] += SR_pointCloud[j,1] * SR_pointCloud[j,1]

        RIGrid2_Location[j,0] = np.floor(((SR_pointCloud[j,0] + xPosition + 5) - xGrid2Center) / gridSize)
        RIGrid2_Location[j,1] = np.floor(((SR_pointCloud[j,2] + yPosition) - yGrid2LowerBound) / gridSize)

        RIGrid2_Count[RIGrid2_Location[j,0],RIGrid2_Location[j,1]] += 1 
        RIGrid2_Sum[RIGrid2_Location[j,0],RIGrid2_Location[j,1]] += SR_pointCloud[j,1]
        RIGrid2_SumofSquares[RIGrid2_Location[j,0],RIGrid2_Location[j,1]] += SR_pointCloud[j,1] * SR_pointCloud[j,1]

我确实尝试过使用Cython，在那里我用一个cdef int j替换了j并进行了编译。没有明显的性能提升。有人有什么建议吗？在

Answer 1

矢量化几乎总是加速numpy代码的最佳方法，而且其中大部分似乎是可以矢量化的。例如，首先，位置数组似乎非常简单：

# these are all of your j values
inds = np.arange(0,SRpixels)

# these are the j values you don't want to skip
sel = np.invert((abs(SR_pointCloud[inds,0]) > SR_xMax) | (SR_pointCloud[inds,2] > SR_zMax) | (SR_pointCloud[inds,2] < 0))

RIGrid1_Location[sel,0] = np.floor(((SR_pointCloud[sel,0] + xPosition + 5) - xGrid1Center) / gridSize)
RIGrid1_Location[sel,1] = np.floor(((SR_pointCloud[sel,2] + yPosition) - yGrid1LowerBound) / gridSize)
RIGrid2_Location[sel,0] = np.floor(((SR_pointCloud[sel,0] + xPosition + 5) - xGrid2Center) / gridSize)
RIGrid2_Location[sel,1] = np.floor(((SR_pointCloud[sel,2] + yPosition) - yGrid2LowerBound) / gridSize)

这没有python循环。在

其余的则更为复杂，取决于你在做什么，但如果你用这种方式来思考它们，它们也应该是可向量化的。在

如果你真的有一些东西不能被矢量化，必须用一个循环来完成——我只发生过几次这种情况——我建议你在赛顿身上编织。它更难使用，但速度应该与C相当

Answer 2

先尝试矢量化计算，如果必须逐个元素进行计算，这里有一些加速提示：

1. 使用NumPy标量计算比内置标量慢得多。数组[i，j]将得到一个numpy标量，并且数组.item（i，j）将返回一个内置标量。

2. 数学模块中的函数在进行标量计算时比numpy快。

下面是一个例子：

import numpy as np
import math
a = np.array([[1.1, 2.2, 3.3],[4.4, 5.5, 6.6]])
%timeit np.floor(a[0,0]*2)
%timeit math.floor(a[0,0]*2)
%timeit np.floor(a.item(0,0)*2)
%timeit math.floor(a.item(0,0)*2)

输出：

^{pr2}$

因此，将np.floor改为math.floor，将SR_pointCloud[j,0]改为{}将大大加快循环速度。在