移动 Numpy 数组的最快方法

我正在运行一些模拟，其中涉及反复将 2D Numpy 数组中的值与其“邻居”进行比较；例如。索引位置的值(y,x)与索引位置的值进行比较(y-1,x)来自同一个数组。

目前我正在使用这样的函数：

# example of the typical size of the arrays
my_array = np.ndarray((500,500))    

shapey, shapex = my_array.shape
Yshape = (1, shapex)
Yzeros = np.zeros((1, shapex))

def syf(A, E=True):
    if E == True:
        return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0)
    else:
        return np.concatenate((A[1:], Yzeros), axis=0)

shifted_array = syf(my_array)

difference_in_y = shifted_array - my_array 

可以选择使用边缘值或零在数组边缘进行比较。这些功能还可以在任一轴的任一方向上执行此操作。

有人对更快的方法有什么建议吗？ 我试过了np.roll（慢得多）还有这个：

yf = np.ix_(range(shapey)[1:] + [shapey,], range(shapex))
shifted_array = my_array[yf]

这有点慢。

在需要运行 10 个小时的程序中，这些函数每秒被调用约 200 次，因此任何小的加速都会更受欢迎！

Thanks.

EDIT:

因此，如果每次调用移位函数时都需要相同的微分方法，那么下面的 Divakars 方法似乎会提供较小的加速，但是如果只需要移位数组，则该方法和我上面使用的方法似乎速度相同。

您可以在函数调用中完成移位和微分，如下所示 -

def syf1(A, E=True):
    out = np.empty_like(A)
    out[:-1] = A[1:] - A[:-1] # Or np.diff(my_array,axis=0)
    if E == True:
        out[-1] = 0
    else:
        out[-1] = -A[-1]
    return out

因此，等效的修改版本syf出于运行时比较的目的将是 -

def syf(A, E=True):
    if E == True:
        return np.concatenate((A[1:], A[-1].reshape(Yshape)), axis=0) - A
    else:
        return np.concatenate((A[1:], Yzeros), axis=0) - A

运行时测试

我们来比较一下等效版本syf对于问题代码中列出的输入，建议的运行时性能方法 -

In [113]: %timeit syf(my_array)
1000 loops, best of 3: 518 µs per loop

In [114]: %timeit syf1(my_array)
1000 loops, best of 3: 494 µs per loop

所以，有some那里有改进！