背景资料: 我在 3D 中有大量 (N) 个粒子。对于所有具有特定属性的对 [i,j] 粒子,我计算一个几何因子 c[i,j]。然后我想总结所有对 [i,j] 对固定 i 的贡献,并将其称为 c[i](并对所有粒子 i 重复此过程)。
通常相关对的数量远小于 N^2,因此拥有一个 (N,N) 维数组 C,其相关信息位于 [i,j] 位置,而其他地方有很多零是相当快的使用 numpy,但在内存使用方面也非常低效。 所以现在我只存储相关对的 C[i,j] 和在一维数组中形成对的粒子。
这可能最好用一个例子来说明: 比如说,我有两对由粒子 (3,5) 和 (3,10) 组成的粒子。从示意图上看,我的变量看起来像这样(有意重复计算):
i = [3,3,5,10] #list of particles i that form a pair
j = [5,10,3,3] #corresponding particles j (not used in the later example)
cij = [c35,c310,-c35,-c310] #(with actual numbers in reality)
现在真正归结为找到一种有效的矢量化方法来重写以下 for 循环:
part_list=np.arange(N)
for a in part_list:
cond = np.where(i == a)
ci[a] = np.sum(cij[cond])
我想到但想避免的其他解决方案:
a) 并行化 for 循环:不可行 b/c 这是嵌入到我想在某个时候并行化的外部循环中。
b) 用 C 编写 for 循环并将其包装到 Python 中:对于这个(希望如此)相当简单的问题来说似乎有点矫枉过正。
请您参考如下方法:
你可以用np.bincount得到你想要的.如果您的粒子从 0 开始按顺序编号,您可以简单地执行以下操作:
ci = np.bincount(i, weights= cij)
要查看它的作用:
>>> i = [3, 3, 5, 10]
>>> j = [5, 10, 3, 3]
>>> cij = [0.1, 0.2, -0.1, -0.2]
>>> np.bincount(i, weights= cij)
array([ 0. , 0. , 0. , 0.3, 0. , -0.1, 0. , 0. , 0. , 0. , -0.2])
如果你不想要所有这些额外的零,你可以这样做:
>>> unq_i, inv_i = np.unique(i, return_inverse=True)
>>> unq_ci = np.bincount(inv_i, weights=cij)
>>> unq_i
array([ 3, 5, 10])
>>> unq_ci
array([ 0.3, -0.1, -0.2])
您稍后可以通过执行以下操作来分配这些唯一值:
ci[unq_i] = unq_ci
