1 回答

TA貢獻1848條經驗 獲得超2個贊
有幾種方法可以解決您的問題。
假設:你的位置已經被存儲成兩個numpy array形狀(N,),即位置x_n(或y_n)為n在[0, N),讓我們稱它們為x和y。通量存儲在numpy array具有相同形狀的 a 中fluxes。
1 - 密集案例 創建看起來像網格的東西:
#get minimums and maximums position
mins = int(x.min()), int(y.min())
maxs = int(x.max()), int(y.max())
#actually you can also add and subtract 1 or more unit
#in order to have a grid larger than the x, y extremes
#something like mins-=epsilon and maxs += epsilon
#create the grid
xx = np.arange(mins[0], maxs[0])
yy = np.arange(mins[1], maxs[1])
現在你可以執行一個 double for loop, tacking ,每次,兩個連續的元素xx和yy,要做到這一點,你可以簡單地采?。?/p>
x1 = xx[:-1] #excluding the last element
x2 = xx[1:] #excluding the first element
#the same for y:
y1 = yy[:-1] #excluding the last element
y2 = yy[1:] #excluding the first element
fluxes_grid = np.zeros((xx.shape[0], yy.shape[0]))
for i, (x1_i, x2_i) in enumerate(zip(x1, x2)):
for j, (y1_j, y2_j) in enumerate(zip(y1, y2)):
idx = np.where((x>=x1_i) & (x<x2_i) & (y>=y1_j) & (y<y2_j))[0]
fluxes_grid[i,j] = np.sum(fluxes[idx])
在此循環結束時,您有一個網格,其元素是代表通量總和的像素。
2 - 使用像 K-NN 這樣的量化算法
如果你有很多 o 點,會發生什么,以至于循環需要幾個小時?更快的解決方案是使用量化方法,例如 K 最近鄰,剛性網格上的 KNN。有很多方法可以運行 KNN(包括已經實現的版本,例如sklearn KNN)。但如果您可以利用 GPU,則效率會有所不同。例如,這是我的 tensorflow (vs 2.1) 實現。定義方形網格后:
_min, maxs = min(mins), max(maxs)
xx = np.arange(_min, _max)
yy = np.arange(_min, _max)
您可以構建矩陣grid和位置矩陣X:grid = np.column_stack([xx, yy]) X = np.column_stack([x, y])
那么你必須定義一個矩陣歐幾里德成對距離函數:
@tf.function
def pairwise_dist(A, B):
# squared norms of each row in A and B
na = tf.reduce_sum(tf.square(A), 1)
nb = tf.reduce_sum(tf.square(B), 1)
# na as a row and nb as a co"lumn vectors
na = tf.reshape(na, [-1, 1])
nb = tf.reshape(nb, [1, -1])
# return pairwise euclidead difference matrix
D = tf.sqrt(tf.maximum(na - 2*tf.matmul(A, B, False, True) + nb, 0.0))
return D
因此:
#compute the pairwise distances:
D = pairwise_dist(grid, X)
D = D.numpy() #get a numpy matrix from a tf tensor
#D has shape M, N, where M is the number of points in the grid and N the number of positions.
#now take a rank and from this the best K (e.g. 10)
ranks = np.argsort(D, axis=1)[:, :10]
#for each point in the grid you have the nearest ten.
現在您必須獲取對應于這 10 個位置的通量并對它們求和。
我避免進一步指定第二種方法,我不知道你的目錄的維度,如果你有或沒有 GPU,或者你是否想使用這種優化。如果你愿意,我可以改進這個解釋,前提是你有興趣。
添加回答
舉報