ottimizzare un NumPy operazione di indicizzazione ndarray

Question

Ho un'operazione NumPy che è simile al seguente:

for i in range(i_max): 
    for j in range(j_max): 
     r[i, j, x[i, j], y[i, j]] = c[i, j] 

dove x, y e c hanno la stessa forma.

È possibile utilizzare l'indicizzazione avanzata di numpy per velocizzare questa operazione?

Ho provato ad utilizzare:

i = numpy.arange(i_max) 
j = numpy.arange(j_max) 
r[i, j, x, y] = c 

Tuttavia, non ho avuto il risultato che mi aspettavo.

Answer 1

Gli array di indicizzazione devono essere broadcastable affinché funzioni. L'unica modifica necessaria è aggiungere un asse al primo indice i per far corrispondere la forma con il resto. Il modo rapido per ottenere questo risultato è di indicizzazione con None (che è equivalente a numpy.newaxis):

i = numpy.arange(i_max) 
j = numpy.arange(j_max) 
r[i[:,None], j, x, y] = c 

Answer 2

Uso linear indexing -

d0,d1,d2,d3 = r.shape 
np.put(r,np.arange(i_max)[:,None]*d1*d2*d3 + np.arange(j_max)*d2*d3 + x*d3 +y,c) 

---

comparativa e verifica

funzioni Definire - array in input

def linear_indx(r,x,y,c,i_max,j_max): 
    d0,d1,d2,d3 = r.shape 
    np.put(r,np.arange(i_max)[:,None]*d1*d2*d3 + np.arange(j_max)*d2*d3 + x*d3 +y,c) 
    return r 

def org_app(r,x,y,c,i_max,j_max): 
    for i in range(i_max): 
     for j in range(j_max): 
      r[i, j, x[i,j], y[i,j]] = c[i,j] 
    return r 

di installazione e benchmark -

In [134]: # Setup input arrays 
    ...: i_max = 40 
    ...: j_max = 50 
    ...: D0 = 60 
    ...: D1 = 70 
    ...: N = 80 
    ...: 
    ...: r = np.zeros((D0,D1,N,N)) 
    ...: c = np.random.rand(i_max,j_max) 
    ...: 
    ...: x = np.random.randint(0,N,(i_max,j_max)) 
    ...: y = np.random.randint(0,N,(i_max,j_max)) 
    ...: 

In [135]: # Make copies for testing, as both functions make in-situ changes 
    ...: r1 = r.copy() 
    ...: r2 = r.copy() 
    ...: 

In [136]: # Verify results by comparing with original loopy approach 
    ...: np.allclose(linear_indx(r1,x,y,c,i_max,j_max),org_app(r2,x,y,c,i_max,j_max)) 
Out[136]: True 

In [137]: # Make copies for testing, as both functions make in-situ changes 
    ...: r1 = r.copy() 
    ...: r2 = r.copy() 
    ...: 

In [138]: %timeit linear_indx(r1,x,y,c,i_max,j_max) 
10000 loops, best of 3: 115 µs per loop 

In [139]: %timeit org_app(r2,x,y,c,i_max,j_max) 
100 loops, best of 3: 2.25 ms per loop