python - 计算多个向量的成对平方差
问题描述
我正在寻找最快的方法来计算两个向量((x1-x2)**2
)之间的平方差,但成对(所有组合或仅上三角形)。
x1 = [1,3,5,6,8]
x2 = [3,6,7,9,12]
预期输出:
array([[ 4., 25., 36., 64., 121.],
[ 0., 9., 16., 36., 81.],
[ 4., 1., 4., 16., 49.],
[ 9., 0., 1., 9., 36.],
[ 25., 4., 1., 1., 16.]])
或者
array([[ 4., 25., 36., 64., 121.],
[ 0., 9., 16., 36., 81.],
[ 0., 0., 4., 16., 49.],
[ 0., 0., 0., 9., 36.],
[ 0., 0., 0., 0., 16.]])
甚至(如果更快):
array([ 4., 25., 36., 64., 121., 9., 16., 36., 81.,
4., 1., 4., 16., 49., 9., 1., 9., 36.,
25., 4., 1., 1., 16.])
解决方案
这是一个带有broadcasting
和masking
获得上三角形的,然后只对那些进行平方以获得更好的性能效率 -
def pairwise_squared_diff(x1, x2):
x1 = np.asarray(x1)
x2 = np.asarray(x2)
diffs = x1[:,None] - x2
mask = np.arange(len(x1))[:,None] <= np.arange(len(x2))
return (diffs[mask])**2
样品运行 -
In [85]: x1
Out[85]: array([1, 3, 5, 6, 8])
In [86]: x2
Out[86]: array([ 3, 6, 7, 9, 12])
In [87]: pairwise_squared_diff(x1, x2)
Out[87]:
array([ 4, 25, 36, 64, 121, 9, 16, 36, 81, 4, 16, 49, 9,
36, 16])
可能的改进
改进#1:
我们还可以np.tri
用来生成mask
-
mask = ~np.tri(len(x1),len(x2),dtype=bool,k=-1)
改进#2:
如果我们可以2D
将下三角形的输出设置为0s
,那么一个简单的元素乘法mask
也可以解决它以获得最终输出 -
(diffs*mask)**2
这将适用于大数据numexpr
模块并获得内存效率和性能。
改进#3:
我们还可以计算差异,numexpr
因此也可以使用相同的evaulate
方法计算掩码输出,从而完全为自己提供一个新的解决方案 -
def pairwise_squared_diff_numexpr(x1, x2):
x1 = np.asarray(x1)
x2 = np.asarray(x2)
mask = ~np.tri(len(x1),len(x2),dtype=bool,k=-1)
return ne.evaluate('mask*((x1D-x2)**2)',{'x1D':x1[:,None]})
有改进的时机
让我们研究一下这些关于大型阵列性能的建议 -
设置 :
In [136]: x1 = np.random.randint(0,9,(1000))
In [137]: x2 = np.random.randint(0,9,(1000))
改进#1:
In [138]: %timeit np.arange(len(x1))[:,None] <= np.arange(len(x2))
1000 loops, best of 3: 772 µs per loop
In [139]: %timeit ~np.tri(len(x1),len(x2),dtype=bool,k=-1)
1000 loops, best of 3: 243 µs per loop
改进#2:
In [140]: import numexpr as ne
In [141]: diffs = x1[:,None] - x2
...: mask = np.arange(len(x1))[:,None] <= np.arange(len(x2))
In [142]: %timeit (diffs[mask])**2
1000 loops, best of 3: 1.46 ms per loop
In [143]: %timeit ne.evaluate('(diffs*mask)**2')
1000 loops, best of 3: 1.05 ms per loop
随着对完整解决方案的改进#3:
In [170]: %timeit pairwise_squared_diff(x1, x2)
100 loops, best of 3: 3.66 ms per loop
In [171]: %timeit pairwise_squared_diff_numexpr(x1, x2)
1000 loops, best of 3: 1.54 ms per loop
循环一
为了完整起见,这是一个循环的,由于内存效率的原因,它slicing
比纯循环的性能更好-broadcasting
def pairwise_squared_diff_loopy(x1,x2):
n = len(x2)
idx = np.concatenate(( [0], np.arange(n,0,-1).cumsum() ))
start, stop = idx[:-1], idx[1:]
L = n*(n+1)//2
out = np.empty(L,dtype=np.result_type(x1,x2))
for i,(s0,s1) in enumerate(zip(start,stop)):
out[s0:s1] = x1[i] - x2[i:]
return out**2
计时 -
In [300]: x1 = np.random.randint(0,9,(1000))
...: x2 = np.random.randint(0,9,(1000))
In [301]: %timeit pairwise_squared_diff(x1, x2)
100 loops, best of 3: 3.44 ms per loop
In [302]: %timeit pairwise_squared_diff_loopy(x1, x2)
100 loops, best of 3: 2.73 ms per loop
推荐阅读
- python - 如何通过 Selenium 和 Python 使用 classname 属性定位最后一个 Web 元素
- flutter - 在 Dart 中抛出异常的性能成本是多少?
- azure - Azure Devops Pipeline ACR 部署到 Web 应用容器
- python - input a number in a while loop for a python bowling program
- python-3.x - 使用 self 参数在循环中创建和调用自定义函数名称
- laravel - 如何重置 Xampp 的默认页面?
- postgresql - 针对多个值查询 Postgres 中的 jsonb 列
- swagger - 用于 Spring Data Rest 的 Swagger 2 或 3
- javascript - 我该如何解决 [Vue 警告]:数据()中的错误:Laravel Vue 中的“ReferenceError:total is not defined”
- linux - NixOps:如何部署到现有的 NixOS VM?