Python应急表

内容来源于 Stack Overflow,并遵循CC BY-SA 3.0许可协议进行翻译与使用

  • 回答 (1)
  • 关注 (0)
  • 查看 (52)

我正在编写许多很多列联表,作为我正在编写的项目的一部分。

工作流程是:

  • 获取具有连续(浮点)行的大型数据数组,并通过分箱将其转换为离散整数值(例如,结果行的值为0-9)
  • 将两行切成向量X和Y并从中生成列联表,以便我具有二维频率分布
  • 例如,我有一个10 x 10阵列,计算出现的(xi,yi)数
  • 使用列联表来做一些信息理论数学

最初,我写道:

def make_table(x, y, num_bins):
    ctable = np.zeros((num_bins, num_bins), dtype=np.dtype(int))
    for xn, yn in zip(x, y):
        ctable[xn, yn] += 1
    return ctable

这样可以正常工作,但速度很慢,以至于它占据了整个项目运行时间的90%。

我能够提出的最快的python优化是:

def make_table(x, y, num_bins):
    ctable = np.zeros(num_bins ** 2, dtype=np.dtype(int))
    reindex = np.dot(np.stack((x, y)).transpose(), 
                     np.array([num_bins, 1]))
    idx, count = np.unique(reindex, return_counts=True)
    for i, c in zip(idx, count):
        ctable[i] = c
    return ctable.reshape((num_bins, num_bins))

这(某种程度上)要快得多,但对于看起来不应该是瓶颈的东西,它仍然相当昂贵。是否有任何有效的方法可以做到这一点,我只是没有看到,或者我应该放弃并在cython中这样做?

此外,这是一个基准测试功能。

def timetable(func):
    size = 5000
    bins = 10
    repeat = 1000
    start = time.time()
    for i in range(repeat):
        x = np.random.randint(0, bins, size=size)
        y = np.random.randint(0, bins, size=size)
        func(x, y, bins)
    end = time.time()
    print("Func {na}: {ti} Ms".format(na=func.__name__, ti=(end - start)))
提问于
用户回答回答于

用于表示np.stack((x, y))整数元素的聪明技巧可以更快:

In [92]: %timeit np.dot(np.stack((x, y)).transpose(), np.array([bins, 1]))
109 µs ± 6.55 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

In [94]: %timeit bins*x + y
12.1 µs ± 260 ns per loop (mean ± std. dev. of 7 runs, 100000 loops each)

此外,通过简单考虑,您的第二个解决方案的最后一部分可以稍微简化一下

np.unique(bins * x + y, return_counts=True)[1].reshape((bins, bins))

更重要的是,由于我们处理的是等间隔的非负整数,因此np.bincount会胜出np.unique; 有了这个,上面归结为

np.bincount(bins * x + y).reshape((bins, bins))

总而言之,这提供了相当于您目前正在做的一些性能:

In [78]: %timeit make_table(x, y, bins)  # Your first solution
3.86 ms ± 159 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [79]: %timeit make_table2(x, y, bins)  # Your second solution
443 µs ± 23.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [101]: %timeit np.unique(bins * x + y, return_counts=True)[1].reshape((bins, bins))
307 µs ± 25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [118]: %timeit np.bincount(bins * x + y).reshape((10, 10))
30.3 µs ± 3.44 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

您可能还想知道np.histogramdd哪一个同时处理舍入和分箱,尽管它可能比舍入和使用更慢np.bincount

扫码关注云+社区

领取腾讯云代金券