为了进行基准比较,我考虑简单的功能：

function dealiasing2d(where_dealiased, data)
[n1, n0, nk] = size(data);
for i0=1:n0 
    for i1=1:n1
        if where_dealiased(i1, i0)
            data(i1, i0, :) = 0.;
        end
    end
end

它在伪光谱模拟(数据是一个3d复数数组)中很有用,但基本上它将掩码应用于一组图像,将其中where_dealiased为true的元素置零.

我将在这种简单情况下比较不同语言(以及实现,编译器等)的性能.对于Matlab,我将函数的计时时间定为timeit.由于我不想在Matlab中对我的无知进行基准测试,因此我想用这种语言真正优化此函数.在Matlab中最快的方法是什么？

我现在使用的简单解决方案是：

function dealiasing2d(where_dealiased, data)
[n1, n0, nk] = size(data);
N = n0*n1;
ind_zeros = find(reshape(where_dealiased, 1, []));
for ik=1:nk
    data(ind_zeros + N*(ik-1)) = 0;
end

我怀疑这不是正确的方法,因为等效的Numpy解决方案的速度大约快10倍.

import numpy as np

def dealiasing(where, data):
    nk = data.shape[0]
    N = reduce(lambda x, y: x*y, data.shape[1:])
    inds, = np.nonzero(where.flat)
    for ik in xrange(nk):
        data.flat[inds + N*ik] = 0.

最后,如果有人告诉我“当您想在Matlab中使用某个特定功能非常快时,应该像这样编译它：[…]”,那么我将在基准测试中包含这样的解决方案.

编辑：

经过2个回答,我已经对这些命题进行了基准测试,并且似乎并没有明显的性能改进.这很奇怪,因为简单的Python-Numpy解决方案的速度实际上快了一个数量级,因此我仍在寻找Matlab更好的解决方案…

解决方法:

如果我理解正确,可以使用bsxfun轻松快速地完成此操作：

data = bsxfun(@times, data, ~where_dealiased);

这会将where_dealiased为true(将它们乘以0)的条目的所有第三维分量设置为0,而其余部分保持不变(将它们乘以1).

当然,这假设[size(data,1)size(data,2] == size(where_dealiased).

您使用linear indexing的解决方案也可能非常快.为了节省时间,您可以删除整形,因为find已经返回线性索引：

ind_zeros = find(where_dealiased);