时间戳

首页 > 解决方案 > Python：将点分配给 bin 的更快或无循环方式？

python - Python：将点分配给 bin 的更快或无循环方式？

问题描述

我有一个由 N 个 2D 点组成的 N×2 数组，我想将其分配给一个 M×K 的 bin 网格。

例如，点[m + 0.1, k]和[m + 0.1, k + 0.9]应该落入 bin [m, k]，其中m和k都是整数。一个点可能不会落入任何垃圾箱。

在实现方面，我希望将结果存储在逻辑 M×K×N 数组中，如果 point落入 bin中，则in_bin在哪里。in_bin[m, k, n]Truen[m, k]

这就是我这样做的方式，天真地使用双循环。

M = 10
K = 11
N = 100
pts = 20 * np.random.rand(N, 2)
in_bin = np.zeros((M, K, N), dtype=bool)
for m in range(M):
    for k in range(K):
        inbin_h = (pts[:, 0] >= m) & (pts[:, 0] < (m + 1))
        inbin_w = (pts[:, 1] >= k) & (pts[:, 1] < (k + 1))
        in_bin[m, k, np.where(inbin_h & inbin_w)[0]] = True

标签： pythonperformancenumpyvectorization

解决方案

您可以使用histogram2d以下方法执行此操作：

hist = np.dstack(np.histogram2d([pts[i,0]],[pts[i,1]],bins=[np.arange(M+1),np.arange(K+1)])[0] for i in range(len(pts)))

它只涉及点数的单个 for 循环。如果 N 远小于 M*K 这应该更快。

这是另一种没有任何 for 循环的方法，使用searchsortedwhich 是什么histogram2d用途：

def bin_points(pts, m, k):
    binsx = np.arange(m+1)
    binsy = np.arange(k+1)
    index_x = np.searchsorted(binsx,pts[:,0]) - 1
    index_y = np.searchsorted(binsy,pts[:,1]) - 1
    # mask out values which fall outside the bins
    mask = (index_x >= 0) & (index_x < m) & (index_y >= 0) & (index_y < k)
    index_x = index_x[mask]
    index_y = index_y[mask]
    n = np.arange(pts.shape[0])[mask]
    in_bin = np.zeros((M, K, pts.shape[0]), dtype=bool)
    in_bin[index_x,index_y,n] = 1

以下是一些基准：

M = 10，K = 11，N = 100

In [2]: %timeit bin_points(pts,M,K)
10000 loops, best of 3: 34.1 µs per loop

In [3]: %timeit bin_points_double_for_loop(pts,M,K)
1000 loops, best of 3: 1.71 ms per loop

In [4]: %timeit bin_points_broadcast(pts,M,K)
10000 loops, best of 3: 39.6 µs per loop

M = 100，K = 110，N = 1000

In [2]: %timeit bin_points(pts,M,K)
1000 loops, best of 3: 721 µs per loop

In [3]: %timeit bin_points_double_for_loop(pts,M,K)
1 loop, best of 3: 249 ms per loop

In [4]: %timeit bin_points_broadcast(pts,M,K)
100 loops, best of 3: 3.04 ms per loop

推荐阅读