我想在包含数千个值的巨大数据点集中找到最有效的方法。作为输入，使用了两个带有 x 和 y 值的长列表。
考虑这个简单的例子：
xval = [-0.15, -0.02, 0.1, 0.22, 0.36, 0.43, 0.58, 0.67, 0.79, 0.86, 0.96 ]
yval = [-0.09, 0.13, -0.01, -0.1, -0.05, 0.2, 0.56, 0.47, 0.35, 0.43, 0.69]
所需的输出是带有峰值点索引的列表，这里 locMaxId =[1,6,10]。 比较最近的邻居是解决方案，但对于 10k 值？
【问题讨论】：
您可以让 numpy 处理迭代，即对其进行矢量化：
def local_maxima(xval, yval):
xval = np.asarray(xval)
yval = np.asarray(yval)
sort_idx = np.argsort(xval)
yval = yval[sort_idx]
gradient = np.diff(yval)
maxima = np.diff((gradient > 0).view(np.int8))
return np.concatenate((([0],) if gradient[0] < 0 else ()) +
(np.where(maxima == -1)[0] + 1,) +
(([len(yval)-1],) if gradient[-1] > 0 else ()))
EDIT 所以代码首先计算从每个点到下一个点的变化（gradient）。下一步有点棘手...如果您执行np.diff((gradient > 0)，则生成的布尔数组为True，其中从增长（> 0）变为不增长（<= 0）。通过将其设置为与布尔数组大小相同的有符号整数，您可以区分从增长到不增长 (-1) 到相反 (+1) 的转换。通过采用与布尔数组具有相同 dtype 大小的有符号整数类型的.view(np.int8)，我们避免了复制数据，如果我们执行不那么 hacky 的.astype(int) 就会发生这种情况。剩下的就是处理第一个和最后一个点，并将所有点连接到一个数组中。我今天发现的一件事是，如果您在发送到np.concatenate 的元组中包含一个空列表，它会作为 dtype np.float 的空数组出现，最终成为结果的 dtype，因此上述代码中空元组的更复杂的串联。
有效：
In [2]: local_maxima(xval, yval)
Out[2]: array([ 1, 6, 10], dtype=int64)
而且相当快：
In [3]: xval = np.random.rand(10000)
In [4]: yval = np.random.rand(10000)
In [5]: local_maxima(xval, yval)
Out[5]: array([ 0, 2, 4, ..., 9991, 9995, 9998], dtype=int64)
In [6]: %timeit local_maxima(xval, yval)
1000 loops, best of 3: 1.16 ms per loop
此外，大部分时间是将数据从列表转换为数组并对其进行排序。如果您的数据已经排序并保存在数组中，您可能可以将性能提高 5 倍。
【讨论】：