如何避免双重for循环？答案

【问题标题】：How to avoid double for loops?如何避免双重for循环？
【发布时间】：2019-05-01 15:16:28
【问题描述】：

我想使用来自其他 2 个矩阵的数据计算 2 个矩阵（内部、外部）的一部分。它们的大小都一样。下面的代码有效，但在大矩阵上太慢了。我在另一种情况下使用了np.fromfunction，但计算的不仅仅是一个子集，而是整个矩阵。

双 for 循环最快的替代方法是什么？

F = np.random.rand(100,100)
S = 10*np.random.rand(100,100) + 1

L,C = F.shape

inner = np.zeros((L,C))
outer = np.zeros((L,C))

for l in range(5, L - 5):
    for c in range(5, C - 5):
        inner[l,c] = np.mean(F[l-5 : l+5 , c-5:c])
        outer[l,c] = np.mean(F[l-5 : l+5 , c+5 : c+5+int(S[l,c])])

【问题讨论】：

标签： python-3.x numpy for-loop

【解决方案1】：

看起来inner 是F 上的 10x5 平均滤波器卷积的结果。这很容易重写为与scipy 的卷积，并且它将与您从 CPU 获得的一样快。但是，由于您在矩阵的边界上遗漏了 5 行和列，因此您必须相应地截断输出 inner 和 inner2 矩阵以便能够比较它们。

import numpy as np
from scipy.signal import convolve2d

F = np.random.rand(100,100)
S = 10*np.random.rand(100,100) + 1

L,C = F.shape

inner = np.zeros((L,C))
outer = np.zeros((L,C))

for l in range(5, L - 5):
    for c in range(5, C - 5):
        inner[l, c] = np.mean(F[l-5 : l+5 , c-5:c])
        outer[l, c] = np.mean(F[l-5 : l+5 , c+5 : c+ 5 + int(S[l, c])])

# if inner[l, c] = np.mean(F[l-5 : l+5 , c-5:c+5]),
# then you should use a 10x10 filter
avg_filter = np.ones((10, 5)) / (10*5)
inner2 = convolve2d(F, avg_filter, mode='valid')

# should be very small (1.262e-13 for me)
print((inner2[:89, :89] - inner[5:94, 5:94]).sum())

outer 的表达式很奇怪，因为您在表达式中添加了这个 int(S[l, c]) 偏移量。我认为您不能将其表示为矩阵计算。因此，要替换您的双 for 循环，您可以使用 from itertools import product 迭代两个可迭代对象的笛卡尔积，如下所示：

from itertools import product

for (l, c) in product(range(5, L - 5), range(5, C - 5)):
    outer[l, c] = np.mean(F[l-5 : l+5 , c+5 : c+ 5 + int(S[l, c])])

从信号处理的角度来看，我不确定outer 矩阵应该是什么。如果您告诉我们您正在尝试做什么，则更容易编写更快的代码并获得所需的效果。

【讨论】：

F 是一个强度矩阵，S 是一个阴影长度矩阵，它会随着与源的距离增加而随列变化，但也会随行变化，因为高度会随行变化。这个想法是获得两个矩形之间的比率，并为代表对象的矩形和代表阴影的矩形添加一些条件。
好的，我认为你可以通过一个 10x15 的过滤器来处理这种行为，这个过滤器会随着卷积的当前位置而变化，这不是 scipy 可以做到的。如果性能确实是一个问题，那么我建议要么在 Cython 中编写它，要么寻找一些更传统的方式来产生阴影。在这两种情况下，您都必须做一些研究;-)