我在 numpy 的幫助下編寫了以下代碼，我想用 numba 提高性能。我不確定為什么它不起作用，因為我已經按照 numba 系統設置了所有變量。我正在嘗試加快此代碼的速度，因為我將來會使用大型數據集。import numpy as npimport mathfrom numba import jitclass from numba import float64,int64spec =[ ('spacing',float64), ('n_iterations',int64), ('np_emptyhouses',float64[:,:]), ('np_agenthouses',float64[:,:]), ('similarity_threshhold',float64), ('n_changes',int64) ]@jitclass(spec)class geo_schelling_update: def __init__(self,n_iterations,spacing,np_agenthouses,np_emptyhouses,similarity_threshhold): self.spacing=spacing self.n_iterations=n_iterations self.np_emptyhouses=np_emptyhouses self.np_agenthouses=np_agenthouses self.similarity_threshhold=similarity_threshhold def distance_vectorize(self,pointA1, pointA2,agent): x_square=np.square(pointA1-agent[0]) y_square=np.square(pointA2-agent[1]) dist=np.sqrt(np.array(x_square,dtype=np.float32)+np.array(y_square,dtype=np.float32)) return np.round(dist,4) def is_unsatisfied_vectorize(self,x,y): race = np.extract(np.logical_and(np.equal(self.np_agenthouses[:,0],x),np.equal(self.np_agenthouses[:,1],y)),self.np_agenthouses[:,2])[0] euclid_distance1=round(math.hypot(self.spacing,self.spacing),4) euclid_distance2=self.spacing total_agents=np.extract(np.logical_or(np.equal(np.round(np.hypot((self.np_agenthouses[:,0]-(x)),(self.np_agenthouses[:,1]-(y))),4),euclid_distance1),np.equal(np.round(np.hypot((self.np_agenthouses[:,0]-(x)),(self.np_agenthouses[:,1]-(y))),4),euclid_distance2)),self.np_agenthouses[:,2]) if total_agents.size ==0: return False else: return total_agents[total_agents==race].size/total_agents.size<self.similarity_threshhold
1 回答
撒科打諢
TA貢獻1934條經驗 獲得超2個贊
問題在于np.round. 從文檔中并不完全清楚，但您可以通過查看source看到，如果您在數組輸入上使用該函數，則需要提供所有 3 個參數。所以以下不起作用：
nb.jit(nopython=True)def func(x): return np.round(x)
但以下工作按預期工作：
nb.jit(nopython=True)def func(x): out = np.empty_like(x) np.round(x, 0, out) return out
有關完整說明，請參閱文檔。np.around我將在 numba 問題跟蹤器上提出一個問題，因為這在查看文檔時并不明顯。
添加回答
舉報
0/150
提交
取消