改进最小/最大下采样

我有一些大型数组（约 1 亿点）需要以交互方式绘制。我目前正在使用 Matplotlib。按原样绘制数组会变得非常慢并且很浪费，因为无论如何您都无法可视化那么多点。

因此，我创建了一个最小/最大抽取函数，并将其与轴的“xlim_changed”回调绑定在一起。我采用了最小/最大方法，因为数据包含快速峰值，我不想通过单步浏览数据而错过这些峰值。还有更多包装器会裁剪到 x 限制，并在某些条件下跳过处理，但相关部分如下：

def min_max_downsample(x,y,num_bins):
    """ Break the data into num_bins and returns min/max for each bin"""
    pts_per_bin = x.size // num_bins    

    #Create temp to hold the reshaped & slightly cropped y
    y_temp = y[:num_bins*pts_per_bin].reshape((num_bins, pts_per_bin))
    y_out      = np.empty((num_bins,2))
    #Take the min/max by rows.
    y_out[:,0] = y_temp.max(axis=1)
    y_out[:,1] = y_temp.min(axis=1)
    y_out = y_out.ravel()

    #This duplicates the x-value for each min/max y-pair
    x_out = np.empty((num_bins,2))
    x_out[:] = x[:num_bins*pts_per_bin:pts_per_bin,np.newaxis]
    x_out = x_out.ravel()
    return x_out, y_out

这工作得很好并且足够快（在 1e8 点和 2k bin 上约为 80 毫秒）。由于它定期重新计算和更新线路的 x 和 y 数据，因此几乎没有延迟。

然而，我唯一的抱怨是 x 数据。此代码复制每个 bin 左边缘的 x 值，并且不返回 y 最小/最大对的真实 x 位置。我通常将箱数设置为轴像素宽度的两倍。所以你真的看不出区别，因为垃圾箱太小了……但我知道它在那里……这让我很烦恼。

因此，尝试第 2 种方法，它确实返回每个最小/最大对的实际 x 值。然而，速度慢了大约 5 倍。

def min_max_downsample_v2(x,y,num_bins):
    pts_per_bin = x.size // num_bins
    #Create temp to hold the reshaped & slightly cropped y
    y_temp = y[:num_bins*pts_per_bin].reshape((num_bins, pts_per_bin))
    #use argmax/min to get column locations
    cc_max = y_temp.argmax(axis=1)
    cc_min = y_temp.argmin(axis=1)    
    rr = np.arange(0,num_bins)
    #compute the flat index to where these are
    flat_max = cc_max + rr*pts_per_bin
    flat_min = cc_min + rr*pts_per_bin
    #Create a boolean mask of these locations
    mm_mask  = np.full((x.size,), False)
    mm_mask[flat_max] = True
    mm_mask[flat_min] = True  
    x_out = x[mm_mask]    
    y_out = y[mm_mask]  
    return x_out, y_out

在我的机器上，这大约需要 400 多毫秒，这变得非常明显。所以我的问题基本上是有没有办法更快并提供相同的结果？瓶颈主要在于numpy.argmin and numpy.argmax比以下函数慢一点numpy.min and numpy.max.

答案可能是只接受版本#1，因为它在视觉上并不重要。或者尝试加快速度，例如 cython （我从未使用过）。

仅供参考，在 Windows 上使用 Python 3.6.4 ...示例用法如下：

x_big = np.linspace(0,10,100000000)
y_big = np.cos(x_big )
x_small, y_small = min_max_downsample(x_big ,y_big ,2000) #Fast but not exactly correct.
x_small, y_small = min_max_downsample_v2(x_big ,y_big ,2000) #correct but not exactly fast.

我设法通过使用输出来提高性能arg(min|max)直接索引数据数组。这是以额外调用为代价的np.sort但要排序的轴只有两个元素（最小/最大索引），并且整个数组相当小（箱数）：

def min_max_downsample_v3(x, y, num_bins):
    pts_per_bin = x.size // num_bins

    x_view = x[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
    y_view = y[:pts_per_bin*num_bins].reshape(num_bins, pts_per_bin)
    i_min = np.argmin(y_view, axis=1)
    i_max = np.argmax(y_view, axis=1)

    r_index = np.repeat(np.arange(num_bins), 2)
    c_index = np.sort(np.stack((i_min, i_max), axis=1)).ravel()

    return x_view[r_index, c_index], y_view[r_index, c_index]

我检查了你的例子的时间，我得到了：

• min_max_downsample_v1：110毫秒±5毫秒
• min_max_downsample_v2：240毫秒±8.01毫秒
• min_max_downsample_v3：164毫秒±1.23毫秒

我还检查了在致电后直接返回arg(min|max)结果同样是 164 毫秒，即之后就不再有真正的开销了。