基于 2d numpy 数组中的索引列表访问行的更有效方法？

Question

所以我有 2d numpay 数组 arr。比较大的一个：arr.shape = (2400, 60000)

我目前正在做的事情如下：

• 随机（有替换）选择arr.shape[0]索引
• 访问（逐行）arr 的选定索引
• 计算列平均值并选择最大值
• 我重复了k次

它看起来像：

no_rows = arr.shape[0]
indicies = np.array(range(no_rows))
my_vals = []
for k in range(no_samples):
    random_idxs = np.random.choice(indicies, size=no_rows, replace=True)
    my_vals.append(
        arr[random_idxs].mean(axis=0).max()
    )

我的问题是速度很慢。使用我的arr 大小，1 次循环大约需要 3 秒。因为我想要一个大于 1k 的样本 - 我当前的解决方案非常糟糕（1k*~3s -> ~1h）。我已经对其进行了分析，瓶颈是基于索引访问行。 "mean"和"max"工作fast. np.random.choice也可以。

您认为有什么需要改进的地方吗？一种更有效的访问索引的方法，或者更好的更快的方法来解决这个问题？

到目前为止我尝试了什么：

• numpy.take（较慢）
• numpy.ravel：

类似于：

random_idxs = np.random.choice(sample_idxs, size=sample_size, replace=True) 
test = random_idxs.ravel()[arr.ravel()].reshape(arr.shape)

• 与当前方法类似，但没有循环。我一次性创建了 3d arr 并访问了其他维度的行

Answer 1

由于advanced indexing会生成一个副本，程序会在arr[random_idxs]中分配巨大的内存。

因此，提高效率的最简单方法之一就是批量处理。

BATCH = 512
max(arr[random_idxs,i:i+BATCH].mean(axis=0).max() for i in range(0,arr.shape[1],BATCH))

Answer 2

这不是问题的一般解决方案，但应该使您的特定问题更快。基本上，arr.mean(axis=0).max() 不会改变，那么为什么不从该数组中随机抽取样本呢？

类似：

mean_max = arr.mean(axis=0).max()
my_vals = np.array([np.random.choice(mean_max, size=len(mean_max), replace=True) for i in range(no_samples)])

您甚至可以这样做：my_vals = np.random.choice(mean_max, size=(no_samples, len(mean_max)), replace=True)，但我不确定这会如何改变您的统计数据。