如何使用np.cumsum来加速平均精度计算？

Question

我有，

scores = np.array([[0.9, 0.8, 0.6, 0.5, 0.4], [0.5, 0.4, 0.31, 0.21, 0.4 ]])
labels = np.array([[1, 0, 1, 1, 0], [0, 0, 0, 1, 1]])

我想在K图计算，我写了一个算法如下，

        k=3
        mean_ap = 0
        n = len(scores)
        for i in range(n):
            cum = ap = 0.0
            idx = np.argsort(-scores[i])
            used_label = labels[i][idx][:k]
            m = sum(labels[i])
            for j, label in enumerate(used_label):
                cum += label
                ap += cum * label / (j + 1)
            mean_ap += ap / min(m, k)
        val = mean_ap / n

基本上给出了如下计算公式： (1 + 0 + 2 / 3) / 3 + ( 0 + 0 + 1 / 3) / 2

关于我可以使用 np.cumsum 来加速我的算法的任何建议？我假设它已经优化过了，我在这里没有看到任何增强空间？

提前致谢。

Answer 1

希望这对你有帮助（我尽量避免 for 循环）：

k = 3
n = len(scores)
m = labels.sum(axis=1)

idx = np.argsort(-scores)
used_label = labels[:,idx][np.arange(0,n),np.arange(0,n),:k]

val = (np.cumsum(used_label, axis=1)*used_label / 
       np.arange(1,k+1) / 
       np.min([m,np.repeat(k,n)],axis=0).reshape(-1,1)).sum(axis=1).sum() / n

如何使用np.cumsum来加速平均精度计算？

How to use np.cumsum to speed up mean average precision calculation?

python

numpy

matrix

np.argsort