我是Python的新手,我必须实现此代码的“尽可能快”的版本。
s="<%dH" % (int(width*height),)
z=struct.unpack(s, contents)
heights = np.zeros((height,width))
for r in range(0,height):
for c in range(0,width):
elevation=z[((width)*r)+c]
if (elevation==65535 or elevation<0 or elevation>20000):
elevation=0.0
heights[r][c]=float(elevation)
我已经阅读了一些python向量化问题...但是我认为这不适用于我的情况。大多数问题是使用np.sum
而不是for loops
之类的问题。我想我有两个问题:
是否有可能加快此代码的速度...我认为heights[r][c]=float(elevation)
是瓶颈所在。我需要找到一些Python计时命令来确认这一点。
如果可以加快此代码的速度。我有什么选择?我见过有人推荐cython
,pypy
,weave
。我可以在C语言中更快地执行此操作,但是此代码还需要生成图,因此我想坚持使用Python,以便可以使用matplotlib
。
python大神给出的解决方案
如您所述,使用numpy
编写快速代码的关键涉及向量化,并将工作推向快速C级例程而不是Python循环。相对于原始代码,通常的方法似乎可以使性能提高十倍左右:
def faster(elevation, height, width):
heights = np.array(elevation, dtype=float)
heights = heights.reshape((height, width))
heights[(heights < 0) | (heights > 20000)] = 0
return heights
>>> h,w = 100, 101; z = list(range(h*w))
>>> %timeit orig(z,h,w)
100 loops, best of 3: 9.71 ms per loop
>>> %timeit faster(z,h,w)
1000 loops, best of 3: 641 µs per loop
>>> np.allclose(orig(z,h,w), faster(z,h,w))
True
该比例似乎甚至更长的时间都保持不变:
>>> h,w = 1000, 10001; z = list(range(h*w))
>>> %timeit orig(z,h,w)
1 loops, best of 3: 9.44 s per loop
>>> %timeit faster(z,h,w)
1 loops, best of 3: 675 ms per loop