本文的目的是介绍增长numpy数字数组的最快方法的详细情况，特别关注增长numpy数字数组的最快方法是什么的相关信息。我们将通过专业的研究、有关数据的分析等多种方式，为您呈现一个全面的了解增长nump

本文的目的是介绍增长numpy数字数组的最快方法的详细情况，特别关注增长numpy数字数组的最快方法是什么的相关信息。我们将通过专业的研究、有关数据的分析等多种方式，为您呈现一个全面的了解增长numpy数字数组的最快方法的机会，同时也不会遗漏关于Java 在数字数组中查找缺失数字的最快方法、NumPy数组的最小-最大归一化、python numpy数组的numpy数组、python – 对numpy数组切片进行采样的最快方法是什么？的知识。

• 增长numpy数字数组的最快方法（增长numpy数字数组的最快方法是什么）
• Java 在数字数组中查找缺失数字的最快方法
• NumPy数组的最小-最大归一化
• python numpy数组的numpy数组
• python – 对numpy数组切片进行采样的最快方法是什么？

增长numpy数字数组的最快方法（增长numpy数字数组的最快方法是什么）

要求：

• 我需要从数据中任意增加一个数组。
• 我可以猜测大小（大约100-200），但不能保证每次都适合该数组
• 一旦增长到最终大小，我就需要对其进行数值计算，因此我更希望最终使用二维numpy数组。
• 速度至关重要。例如，对于300个文件之一，update（）方法被称为4500万次（大约需要150秒），而finalize（）方法被称为500k次（总共需要106s）……总共需要250s或者。

这是我的代码：

def __init__(self):    self.data = []def update(self, row):    self.data.append(row)def finalize(self):    dx = np.array(self.data)

我尝试过的其他操作包括以下代码…但这速度会慢一些。

def class A:    def __init__(self):        self.data = np.array([])    def update(self, row):        np.append(self.data, row)    def finalize(self):        dx = np.reshape(self.data, size=(self.data.shape[0]/5, 5))

这是如何称呼它的示意图：

for i in range(500000):    ax = A()    for j in range(200):         ax.update([1,2,3,4,5])    ax.finalize()    # some processing on ax

答案1

我尝试了一些不同的事情，并进行了时间安排。

import numpy as np

1. 您提到的缓慢方法：（32.094秒）

   class A:def __init__(self):    self.data = np.array([])def update(self, row):    self.data = np.append(self.data, row)def finalize(self):    return np.reshape(self.data, newshape=(self.data.shape[0]/5, 5))

2. 常规ol Python列表：（0.308秒）

   class B:def __init__(self):    self.data = []def update(self, row):    for r in row:        self.data.append(r)def finalize(self):    return np.reshape(self.data, newshape=(len(self.data)/5, 5))

3. 尝试在numpy中实现arraylist：（0.362秒）

   class C:def __init__(self):    self.data = np.zeros((100,))    self.capacity = 100    self.size = 0def update(self, row):    for r in row:        self.add(r)def add(self, x):    if self.size == self.capacity:        self.capacity *= 4        newdata = np.zeros((self.capacity,))        newdata[:self.size] = self.data        self.data = newdata    self.data[self.size] = x    self.size += 1def finalize(self):    data = self.data[:self.size]    return np.reshape(data, newshape=(len(data)/5, 5))

这就是我的计时方式：

x = C()for i in xrange(100000):    x.update([i])

因此，看起来常规的旧Python列表相当不错；）

Java 在数字数组中查找缺失数字的最快方法

// will be the sum of the numbers in the array.
int sum = 0;
int idx = -1;
for (int i = 0; i < arr.length; i++)
{
    if (arr[i] == 0)
    {
         idx = i; 
    }
    else 
    {
         sum += arr[i];
    }
}

// the total sum of numbers between 1 and arr.length.
int total = (arr.length + 1) * arr.length / 2;

System.out.println("missing number is: " + (total - sum) + " at index " + idx);

foo = np.array([[0.0,10.0],[0.13216,12.11837],[0.25379,42.05027],[0.30874,13.11784]])

[[  0.       10.     ]
 [  0.13216  12.11837]
 [  0.25379  42.05027]
 [  0.30874  13.11784]]

[[  0.       0.   ]
 [  0.13216  0.06 ]
 [  0.25379  1    ]
 [  0.30874  0.097]]

a=np.array([])
while(...):
   ...
   b= //a numpy array generated
   a=np.append(a,b)
   ...

[[1,5,3],[9,10,1],...,[4,8,6]]

[1,3,9,1,... 4,6]

sampledValues = Variable[np.arange(numberOfDays * ValuesPerDays),sampledYears.repeat(ValuesPerDays),:,:]

import scikits.timeseries as ts

start_date = ts.Date('H','2006-01-01 00:00')
end_date = ts.Date('H','2010-12-31 18:00')
arr3d = ... # your 3D array [time,Y]

dates = ts.date_array(start_date=start_date,end_date=end_date,freq='H')[::6]
t = ts.time_series(arr3d,dates=dates)
# just make sure arr3d.shape[0] == len(dates) !

t[np.logical_and(t.day == 1,t.month == 1)]

for day_of_year in xrange(1,366):
    year = np.random.randint(2006,2011)

    t[np.logical_and(t.day_of_year == day_of_year,t.year == year)]
    # returns a [4,Y] array with data from that day