有没有一种方法可以向量化计算斯皮尔曼相关性及其 p 值的嵌套循环？
Is there a way to vectorize a nested loop that calculates the spearman correlation and it's p-values?
我有一个有 8300 列和 18 行的矩阵 m。每列代表一个基因；每行一个样本。我想计算邻接矩阵（使用 spearman 相关性）和相应的 p 值矩阵。
我目前得到的代码是：
W = np.zeros((n_genes, n_genes))
P = np.zeros((n_genes, n_genes))
for i in range(0, n_genes):
for j in range(0, n_genes):
W[i,j], P[i,j] = st.spearmanr(m[:,i], m[:,j])
效率低得惊人（使用 GPU 在 colab-google 中 运行 大约需要 11 个小时）。有没有办法对其进行矢量化？
非常感谢！
https://docs.scipy.org/doc/scipy-0.16.1/reference/generated/scipy.stats.spearmanr.html
看起来使用此函数您可以为两个参数传入整个 m 矩阵，它会在所有列之间进行相关和 p-values，它会将其解释为变量（行是样本变量）。然后它以矩阵形式输出 p-values 和相关性。因此，您可以摆脱 for 循环并一次性生成相关矩阵和 p-value 矩阵。即使不在一次通过中执行此操作，看起来您也在两次遍历所有数据以形成一个对称矩阵；我会完成第二个循环 "for j in range(i, n_genes):" 然后在循环主体中填写两个条目 [i,j] 和 [j,i]。
我有一个有 8300 列和 18 行的矩阵 m。每列代表一个基因；每行一个样本。我想计算邻接矩阵（使用 spearman 相关性）和相应的 p 值矩阵。
我目前得到的代码是：
W = np.zeros((n_genes, n_genes))
P = np.zeros((n_genes, n_genes))
for i in range(0, n_genes):
for j in range(0, n_genes):
W[i,j], P[i,j] = st.spearmanr(m[:,i], m[:,j])
效率低得惊人（使用 GPU 在 colab-google 中 运行 大约需要 11 个小时）。有没有办法对其进行矢量化？
非常感谢！
https://docs.scipy.org/doc/scipy-0.16.1/reference/generated/scipy.stats.spearmanr.html
看起来使用此函数您可以为两个参数传入整个 m 矩阵，它会在所有列之间进行相关和 p-values，它会将其解释为变量（行是样本变量）。然后它以矩阵形式输出 p-values 和相关性。因此，您可以摆脱 for 循环并一次性生成相关矩阵和 p-value 矩阵。即使不在一次通过中执行此操作，看起来您也在两次遍历所有数据以形成一个对称矩阵；我会完成第二个循环 "for j in range(i, n_genes):" 然后在循环主体中填写两个条目 [i,j] 和 [j,i]。