优化Python的距离计算，同时考虑周期性边界条件(Optimizing Python distan

我写了一个Python脚本来计算3D空间中的两个点之间的距离，同时考虑周期性边界条件。问题是，我需要很多很多个这样的计算，计算速度很慢。这里是我的功能。

def PBCdist(coord1,coord2,UC):
    dx = coord1[0] - coord2[0]
    if (abs(dx) > UC[0]*0.5):
       dx = UC[0] - dx
    dy = coord1[1] - coord2[1]
    if (abs(dy) > UC[1]*0.5):
       dy = UC[1] - dy
    dz = coord1[2] - coord2[2]
    if (abs(dz) > UC[2]*0.5):
       dz = UC[2] - dz
    dist = np.sqrt(dx**2 + dy**2 + dz**2)
    return dist

那么我所说的功能等等

for i, coord2 in enumerate(coordlist):
  if (PBCdist(coord1,coord2,UC) < radius):
      do something with i

最近我读到我可以极大地利用列表理解提高性能。对于非PBC情况下工作，而不是为PBC情况

coord_indices = [i for i, y in enumerate([np.sqrt(np.sum((coord2-coord1)**2)) for coord2 in coordlist]) if y < radius]
for i in coord_indices:
   do something

是否有某种方式来做到这对中国人民银行情况相同呢？是否有将工作的替代更好？

Answer 1:

你应该写你的distance()函数中，你可以vectorise在5711点的循环方式。以下实现接受点作为任一的阵列x0或x1参数：

def distance(x0, x1, dimensions):
    delta = numpy.abs(x0 - x1)
    delta = numpy.where(delta > 0.5 * dimensions, delta - dimensions, delta)
    return numpy.sqrt((delta ** 2).sum(axis=-1))

例：

>>> dimensions = numpy.array([3.0, 4.0, 5.0])
>>> points = numpy.array([[2.7, 1.5, 4.3], [1.2, 0.3, 4.2]])
>>> distance(points, [1.5, 2.0, 2.5], dimensions)
array([ 2.22036033,  2.42280829])

其结果是作为第二个参数传递给该点之间的距离的阵列distance()和中的每个点points 。

Answer 2:

import numpy as np

bounds = np.array([10, 10, 10])
a = np.array([[0, 3, 9], [1, 1, 1]])
b = np.array([[2, 9, 1], [5, 6, 7]])

min_dists = np.min(np.dstack(((a - b) % bounds, (b - a) % bounds)), axis = 2)
dists = np.sqrt(np.sum(min_dists ** 2, axis = 1))

这里a和b是向量的名单要计算之间的距离和bounds是空间（所以这里所有三个维度从0到10，然后包裹）的边界。它可以计算之间的距离a[0]和b[0] a[1]和b[1]等等。

我敢肯定，numpy的专家可以做的更好，但是这可能会是一个数量级比你在做什么更快，因为大部分的工作在C.现在完成

Answer 3:

看看伊恩Ozsvalds 高性能蟒蛇教程。它包含了大量的建议，在那里你可以去下一个。

包含：

矢量
用Cython
pypy
numexpr
pycuda
multiprocesing
平行蟒蛇

Answer 4:

我发现， meshgrid是产生距离非常有用的。例如：

import numpy as np
row_diff, col_diff = np.meshgrid(range(7), range(8))
radius_squared = (row_diff - x_coord)**2 + (col_diff - y_coord)**2

我现在有一个数组（ radius_squared ）其中每一条目指定从阵列位置的距离的平方[x_coord, y_coord]

以环阵，我可以做到以下几点：

row_diff, col_diff = np.meshgrid(range(7), range(8))
row_diff = np.abs(row_diff - x_coord)
row_circ_idx = np.where(row_diff > row_diff.shape[1] / 2)
row_diff[row_circ_idx] = (row_diff[row_circ_idx] - 
                         2 * (row_circ_idx + x_coord) + 
                         row_diff.shape[1])
row_diff = np.abs(row_diff)
col_diff = np.abs(col_diff - y_coord)
col_circ_idx = np.where(col_diff > col_diff.shape[0] / 2)
col_diff[row_circ_idx] = (row_diff[col_circ_idx] - 
                         2 * (col_circ_idx + y_coord) + 
                         col_diff.shape[0])
col_diff = np.abs(row_diff)
circular_radius_squared = (row_diff - x_coord)**2 + (col_diff - y_coord)**2

我现在都用矢量数学览的排列距离。

文章来源: Optimizing Python distance calculation while accounting for periodic boundary conditions