두 개의 2d numpy 배열이 있습니다. x_array는 x 방향의 위치 정보를 포함하고 y_array는 y 방향의 위치를 ​​포함합니다.

그런 다음 x, y 포인트의 긴 목록이 있습니다.

목록의 각 지점에 대해 해당 지점에 가장 가까운 위치 (배열에 지정됨)의 배열 인덱스를 찾아야합니다.

이 질문을 기반으로 작동하는 일부 코드를 순진하게 생성
했습니다 .numpy 배열에서 가장 가까운 값 찾기

즉

import time
import numpy

def find_index_of_nearest_xy(y_array, x_array, y_point, x_point):
    distance = (y_array-y_point)**2 + (x_array-x_point)**2
    idy,idx = numpy.where(distance==distance.min())
    return idy[0],idx[0]

def do_all(y_array, x_array, points):
    store = []
    for i in xrange(points.shape[1]):
        store.append(find_index_of_nearest_xy(y_array,x_array,points[0,i],points[1,i]))
    return store


# Create some dummy data
y_array = numpy.random.random(10000).reshape(100,100)
x_array = numpy.random.random(10000).reshape(100,100)

points = numpy.random.random(10000).reshape(2,5000)

# Time how long it takes to run
start = time.time()
results = do_all(y_array, x_array, points)
end = time.time()
print 'Completed in: ',end-start

저는 대규모 데이터 세트를 통해이 작업을 수행하고 있으며 속도를 좀 더 높이고 싶습니다. 누구든지 이것을 최적화 할 수 있습니까?

감사.

업데이트 : @silvado 및 @justin (아래)의 제안에 따른 솔루션

# Shoe-horn existing data for entry into KDTree routines
combined_x_y_arrays = numpy.dstack([y_array.ravel(),x_array.ravel()])[0]
points_list = list(points.transpose())


def do_kdtree(combined_x_y_arrays,points):
    mytree = scipy.spatial.cKDTree(combined_x_y_arrays)
    dist, indexes = mytree.query(points)
    return indexes

start = time.time()
results2 = do_kdtree(combined_x_y_arrays,points_list)
end = time.time()
print 'Completed in: ',end-start

위의 코드는 내 코드 (100×100 행렬에서 5000 개의 포인트 검색)를 100 배까지 가속화했습니다. 흥미롭게도, 사용 scipy.spatial.KDTree (대신 scipy.spatial.cKDTree는 ) 그래서이 cKDTree 버전을 사용하여 확실히 가치가있다, 내 순진 솔루션 비교 타이밍을 준 …