我是 numpy 的新手,刚刚听说过 strides,但我很难理解如何使用它们。我有一个非常慢的小循环,这似乎是一个可以用于跨步的好例子。
def semivariogram( ds, band, lag ):
width = ds.RasterXSize
height = ds.RasterYSize
data = band.ReadAsArray( 0, 0, width, height ).astype(np.float)
#print 'w: {}, h: {}'.format(width, height)
sumw = 0.0
sumh = 0.0
for i in range(width-lag):
for j in range(height-lag):
sumw += data[i+lag,j]-data[i,j]
sumh += data[i,j+lag]-data[i,j]
Nh2 = 2.0*(width-lag)*(height-lag)
return [sumw/Nh2, sumh/Nh2, (sumw/Nh2+sumh/Nh2)/2.0]
行:
data = band.ReadAsArray( 0, 0, width, height ).astype(np.float)
正在将图像的一个波段读取到 float 组中。 ds
是图像的句柄,例如:
ds = gdal.Open('test.tif')
最佳答案
好的,让我们一步一步来。
你有:
sumw = 0.0
sumh = 0.0
for i in range(width-lag):
for j in range(height-lag):
sumw += data[i+lag,j]-data[i,j]
sumh += data[i,j+lag]-data[i,j]
为了清楚起见,让我们将其分成两个循环
sumw = 0.0
for i in range(width-lag):
for j in range(height-lag):
sumw += data[i+lag,j]-data[i,j]
sumh = 0.0
for j in range(height-lag):
for i in range(width-lag):
sumh += data[i,j+lag]-data[i,j]
我们可以写data[i,j+lag]
如data[:-lag,lag:][i,j]
,和data[i,j]
是 data[:-lag,:-lag][i,j]
(对于我们的范围 i
和 j
,并假设 lag != 0)。所以我们的循环变成:
sumw = 0.0
for i in range(width-lag):
for j in range(height-lag):
sumw += data[lag:,:-lag][i,j]-data[:-lag,:-lag][i,j]
sumh = 0.0
for j in range(height-lag):
for i in range(width-lag):
sumh += data[:-lag,lag:][i,j]-data[:-lag,:-lag][i,j]
但现在我们注意到所有循环都只是迭代一个简单的索引 [i,j]
,这样我们就可以将它们完全展平:
sumw = (data[lag:,:-lag] - data[:-lag,:-lag]).sum()
sumh = (data[:-lag,lag:] - data[:-lag,:-lag]).sum()
通过发现差值之和就是总和之差,这可以变得更快:
sumw = data[lag:,:-lag].sum() - data[:-lag,:-lag].sum()
sumh = data[:-lag,lag:].sum() - data[:-lag,:-lag].sum()
此时,您可以直观地思考整个任务:
您想要sumw
作为绿色轮廓上的总和减去红色轮廓上的总和,以及 sumh
作为蓝色轮廓上的总和减去红色轮廓上的总和。
在这里,我们可以进行以下两种简化之一:
我们注意到第一个和中的大部分元素都从第二个和中删除了。事实上,唯一不属于这种情况的元素是
[:lag]
和[-lag:]
。所以这就变成了:sumw = data[-lag:,:-lag].sum() - data[:lag,:-lag].sum() sumh = data[:-lag,-lag:].sum() - data[:-lag,:lag].sum()
如果
lag < len(data) / 2
的话,速度会更快。在这里,我们设置sumw = green - (red + magenta)
,和sumh = blue - (red + yellow)
我们注意到第二个和是重复的,所以有
sum_shared = data[:-lag,:-lag].sum() sumw = data[lag:,:-lag].sum() - sum_shared sumh = data[:-lag,lag:].sum() - sum_shared
关于python - 如何使用 numpy 和 strides 来提高循环性能,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43813986/