Более быстрое переоборудование Numpy Cartesian в сферическое преобразование координат?

Question

У меня есть массив из 3 миллионов точек данных из 3-осового аккаурка (xyz), и я хочу добавить 3 столбца в массив, содержащий эквивалентные сферические координаты (R, Theta, PHI). Следующий код работает, но кажется слишком медленным. Как я могу сделать лучше?

import numpy as np
import math as m

def cart2sph(x,y,z):
    XsqPlusYsq = x**2 + y**2
    r = m.sqrt(XsqPlusYsq + z**2)               # r
    elev = m.atan2(z,m.sqrt(XsqPlusYsq))     # theta
    az = m.atan2(y,x)                           # phi
    return r, elev, az

def cart2sphA(pts):
    return np.array([cart2sph(x,y,z) for x,y,z in pts])

def appendSpherical(xyz):
    np.hstack((xyz, cart2sphA(xyz)))

Answer 1

Это похоже на Джастин ПилОтвет, но используя просто numpy И воспользовавшись его встроенным векторизацией:

import numpy as np

def appendSpherical_np(xyz):
    ptsnew = np.hstack((xyz, np.zeros(xyz.shape)))
    xy = xyz[:,0]**2 + xyz[:,1]**2
    ptsnew[:,3] = np.sqrt(xy + xyz[:,2]**2)
    ptsnew[:,4] = np.arctan2(np.sqrt(xy), xyz[:,2]) # for elevation angle defined from Z-axis down
    #ptsnew[:,4] = np.arctan2(xyz[:,2], np.sqrt(xy)) # for elevation angle defined from XY-plane up
    ptsnew[:,5] = np.arctan2(xyz[:,1], xyz[:,0])
    return ptsnew

Обратите внимание, что, как предполагалось в комментариях, я Изменил определение угла возвышения от вашей исходной функции. На моей машине тестирование с pts = np.random.rand(3000000, 3), время ушло от 76 секунд до 3,3 секунды. У меня нет Cython, поэтому я не смог сравнить время с этим решением.

Answer 2

Вот быстрый код цинтона, который я написал для этого:

cdef extern from "math.h":
    long double sqrt(long double xx)
    long double atan2(long double a, double b)

import numpy as np
cimport numpy as np
cimport cython

ctypedef np.float64_t DTYPE_t

@cython.boundscheck(False)
@cython.wraparound(False)
def appendSpherical(np.ndarray[DTYPE_t,ndim=2] xyz):
    cdef np.ndarray[DTYPE_t,ndim=2] pts = np.empty((xyz.shape[0],6))
    cdef long double XsqPlusYsq
    for i in xrange(xyz.shape[0]):
        pts[i,0] = xyz[i,0]
        pts[i,1] = xyz[i,1]
        pts[i,2] = xyz[i,2]
        XsqPlusYsq = xyz[i,0]**2 + xyz[i,1]**2
        pts[i,3] = sqrt(XsqPlusYsq + xyz[i,2]**2)
        pts[i,4] = atan2(xyz[i,2],sqrt(XsqPlusYsq))
        pts[i,5] = atan2(xyz[i,1],xyz[i,0])
    return pts

Потребовалось время от 62,4 до 1,22 секунды, используя для меня 3 000 000 баллов. Это не слишком потертый. Я уверен, что есть некоторые другие улучшения, которые могут быть сделаны.

Answer 3

! Есть ошибка еще во всем коде выше .. И это главный результат Google. TLDR: Я проверил это с vpython, используя ATAN2 для TETA (EVE) неверно, используйте ACOS! Это правильно для Phi (Azim). Я рекомендую функцию ACOS Sympy1.0 (даже не жалуется на ACOS (Z / R) с R = 0).

http://mathworld.wolfram.com/sphericalcoordinates.html

Если мы преобразуем это в физическую систему (r, theta, phi) = (r, lete, azimuth), у нас есть:

r = sqrt(x*x + y*y + z*z)
phi = atan2(y,x)
theta = acos(z,r)

Не оптимизированный, но верный Код для правильной физической системы:

from sympy import *
def asCartesian(rthetaphi):
    #takes list rthetaphi (single coord)
    r       = rthetaphi[0]
    theta   = rthetaphi[1]* pi/180 # to radian
    phi     = rthetaphi[2]* pi/180
    x = r * sin( theta ) * cos( phi )
    y = r * sin( theta ) * sin( phi )
    z = r * cos( theta )
    return [x,y,z]

def asSpherical(xyz):
    #takes list xyz (single coord)
    x       = xyz[0]
    y       = xyz[1]
    z       = xyz[2]
    r       =  sqrt(x*x + y*y + z*z)
    theta   =  acos(z/r)*180/ pi #to degrees
    phi     =  atan2(y,x)*180/ pi
    return [r,theta,phi]

Вы можете проверить это сами с такой функцией, как:

test = asCartesian(asSpherical([-2.13091326,-0.0058279,0.83697319]))

Некоторые другие тестовые данные для некоторых квадрантов:

[[ 0.          0.          0.        ]
 [-2.13091326 -0.0058279   0.83697319]
 [ 1.82172775  1.15959835  1.09232283]
 [ 1.47554111 -0.14483833 -1.80804324]
 [-1.13940573 -1.45129967 -1.30132008]
 [ 0.33530045 -1.47780466  1.6384716 ]
 [-0.51094007  1.80408573 -2.12652707]]

Я использовал VPYTHON дополнительно для легко визуализации векторов:

test   = v.arrow(pos = (0,0,0), axis = vis_ori_ALA , shaftwidth=0.05, color=v.color.red)

Answer 4

Чтобы завершить предыдущие ответы, вот Numexpr внедрение (с возможным запасением на Numpy),

import numpy as np
from numpy import arctan2, sqrt
import numexpr as ne

def cart2sph(x,y,z, ceval=ne.evaluate):
    """ x, y, z :  ndarray coordinates
        ceval: backend to use: 
              - eval :  pure Numpy
              - numexpr.evaluate:  Numexpr """
    azimuth = ceval('arctan2(y,x)')
    xy2 = ceval('x**2 + y**2')
    elevation = ceval('arctan2(z, sqrt(xy2))')
    r = eval('sqrt(xy2 + z**2)')
    return azimuth, elevation, r

Для больших размеров массива это позволяет увеличить коэффициент на 2 скорости по сравнению с чистой реализацией Numpy, и будет сопоставимо со скоростью C или цинтона. Нынешнее решение Numpy (при использовании с ceval=eval аргумент) также на 25% быстрее, чем appendSpherical_np функция в @mtrw Ответ на большие размеры массива,

In [1]: xyz = np.random.rand(3000000,3)
   ...: x,y,z = xyz.T
In [2]: %timeit -n 1 appendSpherical_np(xyz)
1 loops, best of 3: 397 ms per loop
In [3]: %timeit -n 1 cart2sph(x,y,z, ceval=eval)
1 loops, best of 3: 280 ms per loop
In [4]: %timeit -n 1 cart2sph(x,y,z, ceval=ne.evaluate)
1 loops, best of 3: 145 ms per loop

хотя для меньших размеров, appendSpherical_np на самом деле быстрее,

In [5]: xyz = np.random.rand(3000,3)
...: x,y,z = xyz.T
In [6]: %timeit -n 1 appendSpherical_np(xyz)
1 loops, best of 3: 206 µs per loop
In [7]: %timeit -n 1 cart2sph(x,y,z, ceval=eval)
1 loops, best of 3: 261 µs per loop
In [8]: %timeit -n 1 cart2sph(x,y,z, ceval=ne.evaluate)
1 loops, best of 3: 271 µs per loop