将2D数据分组为x，y中的重叠圆圈
我目前正在处理一个相当大的3D点数据集（x，y，z），并想要一种有效的方法来识别xy平面中一组圆内的哪些点，半径为r和中心（x1，y1） ），其中x1和y1是网格坐标（每个长度为120）。圆圈将重叠，某些点将属于多个圆圈。
因此，输出将是14400个圆（120 * 120）的标识，并且（x，y，z）列表中的哪个点在每个圆中。
import numpy as np
def inside_circle(x, y, x0, y0, r):
return (x - x0)*(x - x0) + (y - y0)*(y - y0) < r*r
x = np.random.random_sample((10000,))
y = np.random.random_sample((10000,))
x0 = np.linspace(min(x),max(x),120)
y0 = np.linspace(min(y),max(y),120)
idx = np.zeros((14400,10000))
r = 2
count = 0
for i in range(0,120):
for j in range(0,120):
idx[count,:] = inside_circle(x,y,x0[i],y0[j],r)
count = count + 1其中inside_circle是一个函数，它为半径为r的圆中的每个测试点x，y，z给出一个布尔值为True或False的数组，其中心为x0 [i]和x0 [j]
我的主要问题是，是否有一种比嵌套for循环更有效的方法？
写回答
-
这个使用数组广播，比嵌套的for循环稍快（在我的机器上0.5s vs 0.8s）。在我看来，可读性有所下降。
import numpy as np
x = np.random.random_sample((1, 10000))
y = np.random.random_sample((1, 10000))x0 = np.reshape(np.linspace(np.min(x),np.max(x),120), (120, 1))
y0 = np.reshape(np.linspace(np.min(y),np.max(y),120), (120, 1))r = 2
all_xdiffssquared = np.subtract(x, x0)**2
all_ydiffssquared = np.subtract(y, y0)**23d here means that the array has 3 dimensions. Not the geometry described
all_xdiffssquared_3d = np.reshape(all_xdiffssquared, (120, 10000, 1))
all_ydiffssquared_3d = np.reshape(np.transpose(all_ydiffssquared), (1, 10000, 120))
all_distances_3d = all_xdiffssquared_3d + all_ydiffssquared_3d - r**2
idx = np.signbit(np.reshape(np.moveaxis(all_distances_3d, 1, -1), (14400, 10000)))2019-07-17 23:26:46赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
