numpy的：阵列

Question

我读一个供应商提供的大的二进制阵列成2D numpy的阵列tempfid的复杂重塑的执行效率（M，N）

# load data 
data=numpy.fromfile(file=dirname+'/fid', dtype=numpy.dtype('i4')) 

# convert to complex data 
fid=data[::2]+1j*data[1::2] 

tempfid=fid.reshape(I*J*K, N) 

，然后我需要将其重新成形到使用指数的非平凡映射的4D阵列有用4d（N，I，J，K）。我这样做有用于大致如下循环：

for idx in range(M): 
    i=f1(idx) # f1, f2, and f3 are functions involving/and % as well as some lookups 
    j=f2(idx) 
    k=f3(idx) 
    newfid[:,i,j,k] = tempfid[idx,:] #SLOW! CAN WE IMPROVE THIS? 

转换为复杂的花费33％的时间，而这些切片m个切片的复制操作的其余66％。计算指数是快速的，而不管我是在一个循环中如图所示一个接一个地做，还是通过numpy.vector操作并将其应用到arange（M）。

有没有办法加快速度？任何帮助更有效的切片，复制（或不）等赞赏。

编辑： 正如在回答学会了提问"What's the fastest way to convert an interleaved NumPy integer array to complex64?"转化为复杂的可以通过6的一个因素，如果一个视图来代替被加速：

fid = data.astype(numpy.float32).view(numpy.complex64) 

Answer 1

idx = numpy.arange(M) 
i = numpy.vectorize(f1)(idx) 
j = numpy.vectorize(f2)(idx) 
k = numpy.vectorize(f3)(idx) 

# you can index arrays with other arrays 
# that lets you specify this operation in one line.  
newfid[:, i,j,k] = tempfid.T 

我从来没有使用numpy的矢量化。 Vectorize只是意味着numpy会多次调用你的python函数。为了获得速度，你需要使用像我在这里展示的那样的数组操作，并且你曾经获得复数。

EDIT

的问题是，尺寸128的尺寸为在第一newfid，但最后在tempfid。这很容易通过使用.T来进行转置。

Answer 2

这个怎么样。用F1，F2，F3的矢量版本（不一定使用np.vectorize，但也许只是写一个函数，它接受一个数组，并返回一个数组）设置我们您indicies，然后使用np.ix_：

http://docs.scipy.org/doc/numpy/reference/generated/numpy.ix_.html

获取索引数组。然后将tempfid重塑为与newfid相同的形状，然后使用np.ix_的结果来设置值。例如：

tempfid = np.arange(10) 
i = f1(idx) # i = [4,3,2,1,0] 
j = f2(idx) # j = [1,0] 
ii = np.ix_(i,j) 
newfid = tempfid.reshape((5,2))[ii] 

这将映射的tempfid到一个新的形状具有不同的排序的元素。