이는 interp_2d
를 다시 구현하지 않고 벡터화 할 수 없습니다. 그러나 interp_2d
을 보간 유형이라고 가정하면 조작은 선형입니다. 즉, lambda z0: interp_2d(x0, y0, z0, x1, y1)
은 np.dot(M, z0)
과 같습니다. M
은 x0
, y0
, x1
및 y1
에 의존하는 일부 (아마 드문 드문) 매트릭스입니다. 지금은 interp_2d
함수를 호출하여 매번 동일한 경우에도 모든 호출에서이 행렬을 암시 적으로 다시 계산합니다. 그 행렬이 한 번 무엇인지 알아 내서 새로운 z0
에 여러 번 다시 적용하는 것이 더 효율적입니다. n
이 매우 큰
x0 = [0., 1.]
x1 = 0.3
z0_2d = "some very long array with shape=(2, n)"
def interp_1d(x0, z0, x1):
"""x0 and z0 are length 2, 1D arrays, x1 is a float between x0[0] and x0[1]."""
delta_x = x0[1] - x0[0]
w0 = (x1 - x0[0])/delta_x
w1 = (x0[1] - x1)/delta_x
return w0 * z0[0] + w1 * z0[1]
# The slow way.
for i in range(n):
z1_2d[i] = interp_1d(x0, z0_2d[:,i], x1)
# Notice that the intermediate products w1 and w2 are the same on each
# iteration but we recalculate them anyway.
# The fast way.
def interp_1d_weights(x0, x1):
delta_x = x0[1] - x0[0]
w0 = (x1 - x0[0])/delta_x
w1 = (x0[1] - x1)/delta_x
return w0, w1
w0, w1 = interp_1d_weights(x0, x1)
z1_2d = w0 * z0_2d[0,:] + w1 * z0_2d[1:0]
경우, 100
의 요인'무엇을 할 interp_2d' 않는에게 이상 잘의 최대 속도를 기대 : 여기
정말 사소한 1D 보간 예입니다? 이 정보가 없으면 벡터화가 가능한지 여부를 알 수있는 방법이 없습니다. 완전히 일반적인 파이썬 함수를 적용하기 위해, 당신이하고있는 방식은 다른 옵션들보다 크게 느려지지 않을 것입니다. "벡터 라이 제이션"은 보통 numpy.vectorize와 같은 래퍼를 적용하는 대신 numpy 함수/표현식을 사용하여 연산을 다시 작성하는 것을 의미합니다. (당연히 다소 혼란 스럽네요 ...) –
'interp_2d'가 단지 쌍 선형, 3 차 또는 가장 가까운 보간이면'scipy.ndimage.map_coordinates' 또는'scipy.ndimage.zoom'을 사용할 수 있습니다. 'x0, y0'과'x1, y'의 관계에 따라 (둘 다 규칙적인 격자 상입니까, 아니면 단지'z0'입니까?). –
Joe, 답장을 보내 주셔서 감사합니다. interp_2d의 구현을 고려할 필요가 없습니다. 범위에서 k에 대한 을 (z0_3d.shape [2]) : 난 그냥 다음 코드를 벡터화 할 수있는 방법이 있는지 알고 싶어 z1_3d의 [: : K] = interp_2d (X0, Y0, z0_3d의 [:, :, k], x1, y1) –