使用八分圆搜索算法提高性能答案

【问题标题】：Increasing performance with octant search algorithm使用八分圆搜索算法提高性能
【发布时间】：2017-01-19 09:34:35
【问题描述】：

我正在进行八分圆搜索，以在每个八分圆中找到最接近我的圆形点 (o) 的点 (+) 的 n 数（例如 8）。这意味着我的点 (+) 减少到只有 64（每个八分圆 8）。

我做的第一件事是以我的点 (o) 作为参考，将我的区域划分为八分圆。

data = 包含所有点 (+) 的 (x, y, z) 数组 gdata = 包含点 (o) 的 (x, y) 的数组

import tkinter as tk
from tkinter import filedialog
import pandas as pd
import numpy as np
from scipy.spatial.distance import cdist
from collections import defaultdict

root = tk.Tk()
root.withdraw()
file_path = filedialog.askopenfilename()
data = pd.read_excel(file_path)
data = np.array(data, dtype=np.float)
nrow, cols = data.shape

file_path1 = filedialog.askopenfilename()
gdata = pd.read_excel(file_path1)
gdata = np.array(gdata, dtype=np.float)

pwangle = np.zeros(nrow)

for j in range(nrow):
    delta_x = gdata[:,0]-data[:,0][j]
    delta_y = gdata[:,1]-data[:,1][j]
    if delta_x != 0:
        pwangle[j] = np.rad2deg(np.arctan(delta_y/delta_x))
    else:
        if delta_y > 0:
            pwangle[j] = 90
        elif delta_y < 0:
            pwangle[j] = 270
    if (delta_x < 0)&(delta_y > 0):
        pwangle[j] = 180 + pwangle[j]
    elif (delta_x < 0)&(delta_y < 0):
        pwangle[j] = 270 - pwangle[j]
    elif (delta_x > 0)&(delta_y < 0):
        pwangle[j] = 360 + pwangle[j]

vecangle = pwangle.ravel()
sortdata = defaultdict(list)
count = -1
get_anglesector = 45

N = 8
d = cdist(data[:,:2], gdata)
P = np.hstack((data, d)) 

for j in range(0, 360, get_anglesector):
    count += 1
    get_data = []
    for k, dummy_val in enumerate(vecangle):
        if j <= vecangle[k] < j + get_anglesector:
            get_data.append(P[k,::])
            sortdata[count] = np.array(get_data)

在将数据分组到各个八分圆后，我对每个八分圆中的数据进行排序，以获得最接近点 (o) 的 8 个数据。

for i, j in enumerate(sortdata):   
    octantsort = defaultdict(list)
    for i in range(8):
        octantsort[i] = np.array(sortdata[i][sortdata[i][:,3].argsort()[:N]])

有没有一种高效的 Pythonic 方式来提高性能？

这很好用，但是当我有多个“o”点（例如 10000 个“o”点）并且我已经为每个点运行了上述代码时，这将非常耗时。

【问题讨论】：

标签： python performance python-3.x numpy search

【解决方案1】：

如果您使用arctan2 而不是arctan，工作会变得容易得多。然后向量化速度，我们可能会得到这样的结果：

import numpy as np
from scipy.spatial.distance import cdist

delta = gdata - data[:,:2]
angles = np.arctan2(delta[:,1], delta[:,0])
bins = np.linspace(-np.pi, np.pi, 9)
bins[-1] = np.inf  # handle edge case
octantsort = []
for i in range(8):
    data_i = data[(bins[i] <= angles) & (angles < bins[i+1])]
    dist_order = np.argsort(cdist(data_i, gdata))
    octantsort.append(data_i[dist_order[:N]])

【讨论】：

如果我在获得 'octantsort` 中的元素后，我想获得最接近圆形点 (o) 且未出现在 'octantsort` 中的前 10 个元素。对于第二种情况，bins =np.linspace(-np.pi + np.pi/8, np.pi + np.pi/8, 9)。我怎样才能有效地做到这一点？

【解决方案2】：

谢谢@user7138814，除了做些小改动，你的代码更快了

N=8  
delta = gdata - data[:,:2]
angles = np.arctan2(delta[:,1], delta[:,0])
bins = np.linspace(-np.pi, np.pi, 9)
bins[-1] = np.inf  # handle edge case
octantsort = []
for i in range(8):
    data_i = data[(bins[i] <= angles) & (angles < bins[i+1])]
    dist_order = np.argsort(cdist(data_i[:,:2], gdata), axis=0)
    [octantsort.append(data_i[dist_order[:N][j]]) for j in range(8)]
final = np.vstack(octantsort)

前面代码的执行时间（问题中的代码）：

 ---- 0.021449804306030273 seconds ------

本帖代码执行时间：

---- 0.0015172958374023438 seconds ------

【讨论】：