如何优化此索引算法答案

【问题标题】：How can I optimize this indexing algorithm如何优化此索引算法
【发布时间】：2012-09-05 16:51:59
【问题描述】：

我的问题

我有一个复杂的索引问题，我正在努力以一种有效的方式解决。

目标是计算矩阵w_prime，使用来自相同大小矩阵w、dY 和dX 的值的组合。

w_prime(i,j) 的值计算为mean( w( indY & indX ) )，其中indY 和indX 是dY 和dX 的索引，分别等于i 和j。

这是一个在 matlab 中计算w_prime 的算法的简单实现：

for i = 1:size(w_prime,1)
  indY = dY == i;
  for j = 1:size(w_prime,2)
    indX = dX == j; 
    w_prime(ind) = mean( w( indY & indX ) );
  end
end

这个实现在下面的例子中就足够了；但是，在我的实际用例中，w、dY、dX 是 ~3000x3000 和 w_prime 是 ~60X900。这意味着每个索引计算都发生在大约 900 万个元素上。不需要这种实现太慢而无法使用。此外，我还需要运行此代码几十次。

如果我想计算w(1,1)

我有一个由两个向量 X 和 T 定义的设定点，它们都是 1XN，其中 N 约为 3000。此外，X 和 T 的值是分别受区间 (1 60) 和 (1 900) 限制的整数。

矩阵dX 和dT 是简单的距离矩阵，这意味着它们包含点之间的成对距离。即dx(i,j) 等于abs( x(i) - x(j) )。

它们的计算方法是：dx = pdist(x);

矩阵w 可以被认为是一个权重矩阵，描述了一个点对另一个点的影响程度。

计算w_prime(a,b) 的目的是确定X 维度中的a 和T 维度中的b 分隔的点子集之间的平均权重。

这可以表示如下：

【问题讨论】：

您好！我想知道您是否可以对需要使用此计算的问题提供更一般的描述（例如寻路 - 需要计算新位置等）。也许可以建议一个更好的算法？
哈哈哇！好的，绝对不是我希望的简单问题。当我与我的白板重聚时，我会尝试回到这个问题，哈哈希望其他人可以在此期间帮助你。现在纯粹出于好奇，你为什么要这样做？找到平均影响力的一般目的是什么？我猜是某种数据相关性？？
每个问题都应该如此详细和精确地描述。

【解决方案1】：

ACCUMARRAY 很简单：

nx = max(dX(:));
ny = max(dY(:));

w_prime = accumarray([dX(:),dY(:)],w(:),[nx,ny],@mean,NaN)

输出将是一个nx-by-ny 大小的数组，其中没有对应的索引对的地方有 NaN。如果您确定始终会有完整的索引，则可以将上述计算简化为

w_prime = accumarray([dX(:),dY(:)],w(:),[],@mean)

那么，accumarray 有什么作用？它查看[dX(:),dY(:)] 的行。每行给出了该行所贡献的w_prime 中的(i,j) 坐标对。对于所有对(1,1)，它将函数（@mean）应用于w(:)中的相应条目，并将输出写入w_prime(1,1)。

【讨论】：