Внизу этого ответа приведен код тестирования, поскольку вы пояснили, что вы заинтересованы в производительности, а не в том, чтобы произвольно избегать for
циклов.
На самом деле, я думаю, что for
циклы, вероятно, наиболее эффективный вариант здесь. Поскольку был введен «новый» (2015b) механизм JIT ( циклы источника ) for
не являются изначально медленными - фактически они оптимизируются внутренне.
Из теста видно, что mat2cell
опция, предлагаемая ThomasIsCoding здесь , очень медленная ...
Если мы избавимся от этой линии, чтобы сделать шкалу более четкой, то мой splitapply
метод будет довольно медленным, опция accmarray в obchardon немного лучше, но самые быстрые (и сопоставимые) варианты используют либо arrayfun
(как это было предложено Томасом), либо for
цикл. Обратите внимание , что arrayfun
в основном for
петля замаскированный для большинства сценариев использования, так что это не удивительно , галстук!
Я бы порекомендовал вам использовать for
цикл для повышения читабельности кода и лучшей производительности.
Редактировать :
Если мы предположим, что цикл является самым быстрым подходом, мы можем сделать некоторые оптимизации вокруг find
команды.
конкретно
Сделай M
логичным. Как показано на графике ниже, это может быть быстрее для относительно небольших M
, но медленнее с компромиссом преобразования типов для больших M
.
Используйте логический M
для индексации массива 1:size(M,2)
вместо использования find
. Это позволяет избежать самой медленной части цикла ( find
команды) и перевешивает накладные расходы при преобразовании типов, что делает его самым быстрым вариантом.
Вот моя рекомендация для лучшей производительности:
function A = f_forlooplogicalindexing( M )
M = logical(M);
k = 1:size(M,2);
N = size(M,1);
A = cell(N,1);
for r = 1:N
A{r} = k(M(r,:));
end
end
Я добавил это к тесту ниже, вот сравнение подходов в стиле цикла:
Код бенчмаркинга:
rng(904); % Gives OP example for randi([0,1],3)
p = 2:12;
T = NaN( numel(p), 7 );
for ii = p
N = 2^ii;
M = randi([0,1],N);
fprintf( 'N = 2^%.0f = %.0f\n', log2(N), N );
f1 = @()f_arrayfun( M );
f2 = @()f_mat2cell( M );
f3 = @()f_accumarray( M );
f4 = @()f_splitapply( M );
f5 = @()f_forloop( M );
f6 = @()f_forlooplogical( M );
f7 = @()f_forlooplogicalindexing( M );
T(ii, 1) = timeit( f1 );
T(ii, 2) = timeit( f2 );
T(ii, 3) = timeit( f3 );
T(ii, 4) = timeit( f4 );
T(ii, 5) = timeit( f5 );
T(ii, 6) = timeit( f6 );
T(ii, 7) = timeit( f7 );
end
plot( (2.^p).', T(2:end,:) );
legend( {'arrayfun','mat2cell','accumarray','splitapply','for loop',...
'for loop logical', 'for loop logical + indexing'} );
grid on;
xlabel( 'N, where M = random N*N matrix of 1 or 0' );
ylabel( 'Execution time (s)' );
disp( 'Done' );
function A = f_arrayfun( M )
A = arrayfun(@(r) find(M(r,:)),1:size(M,1),'UniformOutput',false);
end
function A = f_mat2cell( M )
[i,j] = find(M.');
A = mat2cell(i,arrayfun(@(r) sum(j==r),min(j):max(j)));
end
function A = f_accumarray( M )
[val,ind] = ind2sub(size(M),find(M.'));
A = accumarray(ind,val,[],@(x) {x});
end
function A = f_splitapply( M )
[r,c] = find(M);
A = splitapply( @(x) {x}, c, r );
end
function A = f_forloop( M )
N = size(M,1);
A = cell(N,1);
for r = 1:N
A{r} = find(M(r,:));
end
end
function A = f_forlooplogical( M )
M = logical(M);
N = size(M,1);
A = cell(N,1);
for r = 1:N
A{r} = find(M(r,:));
end
end
function A = f_forlooplogicalindexing( M )
M = logical(M);
k = 1:size(M,2);
N = size(M,1);
A = cell(N,1);
for r = 1:N
A{r} = k(M(r,:));
end
end
for
циклов? Для этой проблемы, с современными версиями MATLAB, я сильно подозреваю, чтоfor
цикл является самым быстрым решением. Если у вас есть проблемы с производительностью, я подозреваю, что вы ищете не то место для решения, основанного на устаревших советах.