您可以通过使用numpy或其他替代方法获得更快,甚至可能更简单的代码(详见下文)。但从理论的角度来看,在算法复杂性方面,你能得到的最好的是O(N * M),你可以用你的设计做到这一点(如果我理解的话)。例如:def neighbors(matrix, row, col):
for i in row-1, row, row+1:
if i < 0 or i == len(matrix): continue
for j in col-1, col, col+1:
if j < 0 or j == len(matrix[i]): continue
if i == row and j == col: continue
yield matrix[i][j]
matrix = [[0,1,1,1,0,1], [1,1,1,0,0,1], [1,1,0,0,0,1], [1,1,1,1,1,1]]
for i, row in enumerate(matrix):
for j, cell in enumerate(cell):
for neighbor in neighbors(matrix, i, j):
do_stuff(cell, neighbor)
这需要N * M * 8步(实际上,比这少一点,因为许多单元将具有少于8个邻居)。从算法上讲,你没有办法比O(N * M)做得更好。所以,你已经完成了。
(在某些情况下,你可以让事情变得更简单,没有显著变化无论哪种方式,在性能上,通过迭代器转换的角度来思考。例如,你可以轻松地创建了从列表中相邻的三胞胎石斑鱼a通过适当拉拉链a,a[1:]和a[2:],并且你可以将它扩展到相邻的二维nonets。但我认为在这种情况下,它只会使你的代码更复杂,因为在矩阵上编写显式neighbors迭代器和显式for循环。)
但是,实际上,您可以通过各种方式获得更快的速度。例如:使用numpy,您可以获得更快的数量级。当你迭代一个紧凑的循环并进行简单的算术时,这是Python特别慢的东西之一,而且numpy可以用C(或Fortran)来做。
使用您喜欢的GPGPU库,您可以明确地向您的操作进行矢量化。
使用时multiprocessing,您可以将矩阵分解成碎片,并在不同的核心(甚至是单独的机器)上并行执行多个碎片。
当然对于单个4x6矩阵,这些都不值得做...除了可能的numpy,这可能使您的代码更简单,更快,只要您可以在矩阵/广播术语中自然地表达您的操作。
事实上,即使你不能轻易表达的东西呀,只是使用numpy到存储矩阵可以让事情变得简单(节省一些内存,如果该事项)。例如,numpy可以让您自然地从矩阵中访问单个列,而在纯Python中,您需要编写类似的内容[row[col] for row in matrix]。
那么,你将如何解决这个问题numpy?
首先,在进一步学习之前,你应该阅读numpy.matrix并ufunc(或者,更好的是一些更高级别的教程,但我没有推荐的教程)。
无论如何,这取决于你对每组邻居做了什么,但有三个基本的想法。
首先,如果您可以将操作转换为简单的矩阵数学,那么这一直是最简单的。
如果不是,您可以通过在每个方向上移动矩阵来创建8个“邻居矩阵”,然后对每个邻居执行简单的操作。对于某些情况,可能更容易从N + 2 x N + 2矩阵开始,在外缘具有合适的“空”值(通常为0或nan)。或者,您可以移动矩阵并填充空值。或者,对于某些操作,您不需要相同大小的矩阵,因此您只需裁剪矩阵以创建邻居。这实际上取决于您想要做什么操作。
例如,将您的输入作为生命游戏的固定6x4板:def neighbors(matrix):
for i in -1, 0, 1:
for j in -1, 0, 1:
if i == 0 and j == 0: continue
yield np.roll(np.roll(matrix, i, 0), j, 1)
matrix = np.matrix([[0,0,0,0,0,0,0,0],
[0,0,1,1,1,0,1,0],
[0,1,1,1,0,0,1,0],
[0,1,1,0,0,0,1,0],
[0,1,1,1,1,1,1,0],
[0,0,0,0,0,0,0,0]])
while True:
livecount = sum(neighbors(matrix))
matrix = (matrix & (livecount==2)) | (livecount==3)
(请注意,这不是解决此问题的最佳方法,但我认为它相对容易理解,并且可能会阐明您的实际问题。)