从一个点开始计算距离，填充numpy数组的最快方法

Question

我有一个numpy数组，表示空间体积上的3D网格，每个单元格代表一个非立方体素（在所有三个维度上都是任意缩放的）。该数组在每个维度上具有O（500）个体素。

我想用给定的XYZ点到每个体素中心的距离来填充该数组。

我可以使用python的for循环来填充数组，但速度较慢。是否有一种使用numpy / scipy快速完成的方法？

将其转换为XYZ坐标需要两个元组，一个给出0,0,0体素中心的XYZ坐标，另一个给出体素在XYZ单位中的尺寸。

- Eli Stevens

Answer 1

创建一个包含每个维度距离的ogrid，然后计算距离（使用ogrid结果正确广播的特性）：

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)

如果您需要为网格添加一些缩放和偏移量：

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)

- MSeifert

Answer 2

你可以创建三个一维数组，表示你的3D数组的展平的X、Y和Z坐标。

然后使用numpy方法对整个数组执行斜边计算。

D = numpy.sqrt(numpy.power(X - x_center, 2) + 
               numpy.power(Y - y_center, 2) + 
               numpy.power(Z - z_center, 2))

最后，您需要将数组重新调整为原始形状。

- heltonbiker

---

为什么不使用 np.square(x) 而是使用 np.power(x, 2)？ - MSeifert