用距离点的距离填充numpy数组的最快方法
用距离点的距离填充numpy数组的最快方法
提问于 2017-01-25 20:01:52
我有一个numpy数组，它表示一个空间体积上的三维网格，每个单元格代表一个非立方体素(缩放在所有三个维度上都是任意的)。每个维的数组是O(500)体素。
我想用从给定的XYZ点到每个体素中心的距离填充这个数组。
我可以使用python for-loops填充数组，但这比我想要的要慢。有没有办法这么快地使用numpy/scipy？
对XYZ坐标的转换由两个元组完成，一个元组给出0,0,0体素中心的XYZ坐标，另一个元组给出XYZ单元中体素的大小。
回答 2
Stack Overflow用户
回答已采纳
发布于 2017-01-25 20:09:24
创建一个包含每个维度中的距离的ogrid，然后计算出该距离(使用ogrid结果正确广播)：
import numpy as np
x0, y0, z0 = 10, 10, 10
# assuming each dimension includes 500 points, from 0 to 500, step 1
x, y, z = np.ogrid[0:500, 0:500, 0:500]
distances = np.sqrt((x-x0)**2+(y-y0)**2+(z-z0)**2)如果您需要为网格包括一些缩放和偏移量：
x, y, z = np.ogrid[0:500, 0:500, 0:500]
x, y, z = (x * scale_x + offset_x,
y * scale_y + offset_y,
z * scale_z + offset_z)
distances = np.sqrt((x-x0)**2+(y-y0)**2+(z-z0)**2)Stack Overflow用户
发布于 2017-01-25 20:09:09
您可以创建三个一维数组，表示三维数组的扁平X、Y和Z坐标。
然后，使用numpy方法对整个数组执行低功耗计算：
D = numpy.sqrt(numpy.power(X - x_center, 2) +
numpy.power(Y - y_center, 2) +
numpy.power(Z - z_center, 2))最后，将数组重塑为原始形状。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/41860623
复制相关文章
相似问题
腾讯云开发者
