阅读量:1
python循环是非常耗时的，所以遇到比较大的数组就要对循环做优化，代码：
for i in range(pred_density_up.shape[0]): for j in range(pred_density_up.shape[1]): if pred_density_up[i][j] >= 0.1: points.append([j , i ]) 上面的循环是最长见的，但是计算速度比较慢。
那么如何优化呢？
要优化这段代码以提高执行速度，主要思路是减少循环的次数和避免在循环内部进行不必要的操作。在你的代码中，你正在遍历一个二维数组（可能是图像或矩阵的密度预测），并统计那些值大于或等于0.1的元素，同时记录这些元素的坐标。以下是一些优化方法：
方法 1: 使用 NumPy 的向量化操作
NumPy 的向量化操作可以大幅度提高性能，因为它是在 C 层面优化的，并且减少了 Python 循环的开销。
import numpy as np # 假设 pred_density_up 是一个 NumPy 数组 mask = pred_density_up >= 0.1 count = np.sum(mask) # 计算满足条件的元素数量 points = np.argwhere(mask).tolist() # 获取满足条件的元素的坐标 # 如果需要，可以调整坐标的顺序（假设原始数组是行优先的，但你想要列优先） points = [[y, x] for x, y in points] 方法 2: 使用列表推导式（对于较小的数据集）
如果数据集不是特别大，列表推导式也可以提供较好的性能，并且代码更简洁。
points = [[j, i] for i in range(pred_density_up.shape[0]) for j in range(pred_density_up.shape[1]) if pred_density_up[i][j] >= 0.1] count = len(points) 方法 3: 使用 itertools.product 和 filter
对于想要更函数式编程风格的人来说，可以使用 itertools.product 来生成坐标，然后使用 filter 来筛选满足条件的坐标。
from itertools import product # 生成所有坐标 indices = product(range(pred_density_up.shape[0]), range(pred_density_up.shape[1])) # 筛选满足条件的坐标 points = [[j, i] for i, j in indices if pred_density_up[i][j] >= 0.1] count = len(points) 性能对比
在大多数情况下，方法 1（使用 NumPy 的向量化操作）将提供最佳的性能，因为它直接利用了 NumPy 的底层优化。对于大型数据集，这种差异尤其明显。
方法 2 和 方法 3 在代码的可读性和简洁性方面有其优势，但在处理大型数据集时可能会较慢。
结论
推荐使用 方法 1，因为它既高效又易于理解和维护。如果你的数据集非常小，或者你对性能要求不是非常严格，那么 方法 2 或 方法 3 也是可行的选择。
