所以我目前有一个项目，我必须通过卫星图像模拟高分辨率图像。我正在使用 Python 执行此操作，并且我有一个可以运行的程序 - 但是，需要 3 分钟才能模拟典型的图像尺寸(1200 x 1500 像素)。我一直在测试代码的时间，发现这是脚本中最耗时的部分，需要 3 分钟(代码的其余部分大约需要 10 秒)。
这是该部分代码:
def weight_values(Pix_center,row_0,row_1,col_0,col_1,t_row_0,t_row_1,t_col_0,t_col_1):
foot_in_truth = foots[Pix_center,row_0:row_1,col_0:col_1]
truth_in_foot = truth[t_row_0:t_row_1, t_col_0:t_col_1]
weighted_vals = (foot_in_truth*truth_in_foot).sum()/foot_in_truth.sum()
return weighted_vals
no_mask = np.where(np.ma.getmaskarray(Pix_centers) == False)
weighted_mean = np.array(map(weight_values, (Pix_centers[no_mask]),(row0[no_mask]),(row1[no_mask]),(col0[no_mask]),(col1[no_mask]),(truth_row0[no_mask]),(truth_row1[no_mask]),(truth_col0[no_mask]),(truth_col1[no_mask])))
在上面，我的 weight_values 函数需要很多值。当使用 map 调用它们时，给出的可迭代对象都是相同大小的一维对象。
以下是所涉及数组的简要说明:
- foots:一个 3D 数组，其尺寸为像素数、沿轨道和跨轨道(最后两个是非本地化的，即它们以 0 为中心)。这表示卫星在每个像素处的足迹。足迹本质上是每个像素内实际有多少区域 - 我使用的仪器有很大的 strip ，这就是为什么这很重要。
- 真相:这就是我正在模拟的事情。它的分辨率与脚相同，但覆盖了沿轨迹和跨轨迹坐标上的特定区域
在映射函数中作为迭代调用的一维数组具有掩码值，这就是使用“no_mask”的原因。这些数组的最大值为 1800000(图像像素数)，但我的代码允许我选择较小的段进行测试。
这个方法有效!但我想知道是否有什么办法可以加快速度。到目前为止，我已经尝试过使用 map/lambda 设置(几乎慢了两倍)、列表理解和 for 循环。到目前为止，这种方法是我整个 180 万像素样本中最快的。如果您对如何加快速度有任何想法，请告诉我。我会在这里发布整个代码，但其中很多都是无关紧要的，而且它使用我本地计算机上的文件，我不确定我是否有权共享。
如果这里有任何不清楚的地方或者您不理解这个问题，也请告诉我，我会尽力使其更具可读性。
最佳答案
我快速浏览了您的 weight_value 函数，该函数对每个像素进行平均，并且每个像素都有许多邻居。因此，每个相邻像素被读取多次。这需要 O(n^3) 时间运行。一种常见的、更快的技术是累积和。您可以从this example开始，尽管它是在 Matlab 中。 python 中的想法是一样的。目标是您只需计算每个像素值一次。
python版本是here .
关于python - 使用map()函数优化速度，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/53067314/