在我的项目中,我需要计算存储在数组中的每个点之间的欧几里德距离.
入口数组是2D numpy数组,其中3列是坐标(x,y,z),每行定义一个新点.
我通常在我的测试用例中使用5000 – 6000点.
我的第一个算法使用Cython和我的第二个numpy.我发现我的numpy算法比cython快.
编辑:6000分:
numpy 1.76 s / cython 4.36 s
这是我的cython代码:
cimport cython
from libc.math cimport sqrt
@cython.boundscheck(False)
@cython.wraparound(False)
cdef void calcul1(double[::1] M,double[::1] R):
cdef int i=0
cdef int max = M.shape[0]
cdef int x,y
cdef int start = 1
for x in range(0,max,3):
for y in range(start,max,3):
R[i]= sqrt((M[y] - M[x])**2 + (M[y+1] - M[x+1])**2 + (M[y+2] - M[x+2])**2)
i+=1
start += 1
M是初始入口数组的内存视图,但在调用函数calcul1()之前通过numpy展平(),R是用于存储所有结果的1D输出数组的内存视图.
这是我的Numpy代码:
def calcul2(M):
return np.sqrt(((M[:,:,np.newaxis] - M[:,np.newaxis,:])**2).sum(axis=0))
这里M是初始入口数组,但在函数调用之前通过numpy transpose()将坐标(x,y,z)作为行,将点作为列.
此外,这个numpy函数非常方便,因为它返回的数组组织得很好.它是一个n×n数组,n为点数,每个点有一行和一列.因此,例如距离AB存储在行A和列B的交叉点索引处.
这是我如何称呼它们(cython函数):
cpdef test():
cdef double[::1] Mf
cdef double[::1] out = np.empty(17998000,dtype=np.float64) # (6000² - 6000) / 2
M = np.arange(6000*3,dtype=np.float64).reshape(6000,3) # Example array with 6000 points
Mf = M.flatten() #because my cython algorithm need a 1D array
Mt = M.transpose() # because my numpy algorithm need coordinates as rows
calcul2(Mt)
calcul1(Mf,out)
我在这里做错了吗?对于我的项目,两者都不够快.
1:有没有办法改进我的cython代码以击败numpy的速度?
2:有没有办法改进我的numpy代码以便更快地计算?
3:或者任何其他解决方案,但它必须是python / cython(如并行计算)?
谢谢.