numpy数组的快速迭代答案

【问题标题】：Fast Iteration of numpy arraysnumpy数组的快速迭代
【发布时间】：2015-12-12 08:56:47
【问题描述】：

我是 python 新手，正在尝试做一些基本的信号处理工作，但遇到了严重的性能问题。是否有以矢量化方式执行此操作的 python 技巧？基本上我正在尝试实现一阶滤波器，但滤波器特性可能会从一个样本变为下一个样本。如果它只是一个过滤器，我会使用 numpy.signal.lfilter()，但这有点棘手。这是运行非常缓慢的代码的 sn-p：

#filter state
state = 0

#perform filtering
for sample in amplitude:
    if( sample == 1.0 ): #attack filter
        sample = (1.0 - att_coeff) * sample + att_coeff * state
    else: #release filter
        sample = (1.0 - rel_coeff) * sample + rel_coeff * state

    state = sample

【问题讨论】：

标签： python arrays numpy filtering signal-processing

【解决方案1】：

您可以考虑使用其中一种 Python 到本机代码的转换器，如Cython、Numba 或Pythran。

例如，使用 timeit 运行您的原始代码会给我：

$ python -m timeit -s 'from co import co; import numpy as np; a = np.random.random(100000)' 'co(a, .5, .7)'
10 loops, best of 3: 120 msec per loop

同时使用 Pythran 对其进行注释，如：

#pythran export co(float[], float, float)
def co(amplitude, att_coeff, rel_coeff):
    # filter state
    state = 0

    # perform filtering
    for sample in amplitude:
        if sample == 1.0: # attack filter
            state = (1.0 - att_coeff) * sample + att_coeff * state
        else:             # release filter
            state = (1.0 - rel_coeff) * sample + rel_coeff * state
    return state

并用它编译

$ pythran co.py

给我：

$ python -m timeit -s 'from co import co; import numpy as np; a = np.random.random(100000)' 'co(a, .5, .7)' 
1000 loops, best of 3: 253 usec per loop

这大约是 x470 的加速！我希望 Numba 和 Cython 能够提供类似的加速。

【讨论】：

【解决方案2】：

每个条目都需要上一个条目，并且必须先计算上一个条目，然后才能计算当前条目。因此，每个条目都必须按顺序计算，并且不能以矢量化（即映射、并行）方式进行。

【讨论】：