這是一個致社區的調查,看看是否有人有想法提高此MSD計算實現的速度。這主要是基於這篇博文的實施:http://damcb.com/mean-square-disp.htmlPython中的加速MSD計算
目前,當前的實施需要大約9秒的2D軌跡5 000點。這真是太多,如果你需要計算大量的軌跡......
我沒有嘗試並行它(與multiprocess
或joblib
),但我有一種感覺,創造新的進程將是這個太沉重一種算法。
下面是代碼:
import os
import matplotlib
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
# Parameters
N = 5000
max_time = 100
dt = max_time/N
# Generate 2D brownian motion
t = np.linspace(0, max_time, N)
xy = np.cumsum(np.random.choice([-1, 0, 1], size=(N, 2)), axis=0)
traj = pd.DataFrame({'t': t, 'x': xy[:,0], 'y': xy[:,1]})
print(traj.head())
# Draw motion
ax = traj.plot(x='x', y='y', alpha=0.6, legend=False)
# Set limits
ax.set_xlim(traj['x'].min(), traj['x'].max())
ax.set_ylim(traj['y'].min(), traj['y'].max())
和輸出:
t x y
0 0.000000 -1 -1
1 0.020004 -1 0
2 0.040008 -1 -1
3 0.060012 -2 -2
4 0.080016 -2 -2
def compute_msd(trajectory, t_step, coords=['x', 'y']):
tau = trajectory['t'].copy()
shifts = np.floor(tau/t_step).astype(np.int)
msds = np.zeros(shifts.size)
msds_std = np.zeros(shifts.size)
for i, shift in enumerate(shifts):
diffs = trajectory[coords] - trajectory[coords].shift(-shift)
sqdist = np.square(diffs).sum(axis=1)
msds[i] = sqdist.mean()
msds_std[i] = sqdist.std()
msds = pd.DataFrame({'msds': msds, 'tau': tau, 'msds_std': msds_std})
return msds
# Compute MSD
msd = compute_msd(traj, t_step=dt, coords=['x', 'y'])
print(msd.head())
# Plot MSD
ax = msd.plot(x="tau", y="msds", logx=True, logy=True, legend=False)
ax.fill_between(msd['tau'], msd['msds'] - msd['msds_std'], msd['msds'] + msd['msds_std'], alpha=0.2)
和輸出:
msds msds_std tau
0 0.000000 0.000000 0.000000
1 1.316463 0.668169 0.020004
2 2.607243 2.078604 0.040008
3 3.891935 3.368651 0.060012
4 5.200761 4.685497 0.080016
而且一些剖析:
%timeit msd = compute_msd(traj, t_step=dt, coords=['x', 'y'])
給這個:
1 loops, best of 3: 8.53 s per loop
任何想法?
既然你已經有工作代碼,這可能是*代碼審查一個很好的候選人*。 – cel
哦,我不知道_codereview_。主持人可以證實這一點,我會將其移至_codereview_? – HadiM
我是Code Review的主持人,我已將此問題標記爲遷移到Code Review。我們所能做的就是等待Stack Overflow版主是否會同意這一點。 –