移动 Numpy 数组的最快方法

Question

我正在运行一些模拟，这些模拟涉及反复比较 2D Numpy 数组中的值与其“邻居”；例如。索引位置(y,x) 的值与同一数组中索引位置(y-1,x) 的值进行比较。

目前我正在使用这样的功能：

# example of the typical size of the arrays
my_array = np.ndarray((500,500))    

shapey, shapex = my_array.shape
Yshape = (1, shapex)
Yzeros = np.zeros((1, shapex))

def syf(A, E=True):
    if E == True:
        return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0)
    else:
        return np.concatenate((A[1:], Yzeros), axis=0)

shifted_array = syf(my_array)

difference_in_y = shifted_array - my_array 

这可以选择使用边缘值或零在数组边缘进行比较。这些函数也可以在任一轴的任一方向上执行此操作。

有人对更快的方法有什么建议吗？ 我试过np.roll（慢得多），这个：

yf = np.ix_(range(shapey)[1:] + [shapey,], range(shapex))
shifted_array = my_array[yf]

这有点慢。

在需要 10 小时运行的程序中，这些函数每秒调用约 200 次，因此任何小的加速都更受欢迎！

谢谢。

编辑：

因此，如果每次调用移位函数时都需要相同的微分方法，那么下面的 Divakars 方法似乎提供了一个小的加速，但是如果只需要一个移位数组，那么该方法和我上面使用的方法似乎是相等的速度。

Answer 1

您可以像这样在函数调用中完成移位和微分 -

def syf1(A, E=True):
    out = np.empty_like(A)
    out[:-1] = A[1:] - A[:-1] # Or np.diff(my_array,axis=0)
    if E == True:
        out[-1] = 0
    else:
        out[-1] = -A[-1]
    return out

因此，用于运行时比较的 syf 的等效修改版本将是 -

def syf(A, E=True):
    if E == True:
        return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0) - A
    else:
        return np.concatenate((A[1:], Yzeros), axis=0) - A

运行时测试

让我们将 syf 的等效版本与问题代码中列出的输入的运行时性能建议方法进行比较 -

In [113]: %timeit syf(my_array)
1000 loops, best of 3: 518 µs per loop

In [114]: %timeit syf1(my_array)
1000 loops, best of 3: 494 µs per loop

所以，那里有一些的改进！