小编Los*_*ica的帖子

我正在尝试使用以下命令将包添加到 dotnet：

dotnet add package JetBrains.dotCover.CommandLineTools --version 2018.2.0-eap07

但是，我收到错误：

The project does not support adding package references through the add package command.

我该怎么做？我无法通过 NuGet 安装该包，因为我的 dotnet 命令行无法检测到 dotcover。我看到一些通过 .csproj 为 dotnet.core 应用程序添加包的示例：

<DotNetCliToolReference Include="JetBrains.dotCover.CommandLineTools" Version="2018.2.0-eap03" /> 

然后运行 ​​dotnet Restore。但我不知道如何为 WPF 应用程序执行此操作。我的最终目标是对 WPF 应用程序使用以下命令来生成测试覆盖率：

dotnet dotcover test

我试图合并具有相同数量的参数的两个数组.

输入:

first = [[650001.88, 300442.2,   18.73,  0.575,  650002.094, 300441.668, 18.775],
         [650001.96, 300443.4,   18.7,   0.65,   650002.571, 300443.182, 18.745],
         [650002.95, 300442.54,  18.82,  0.473,  650003.056, 300442.085, 18.745]]

second = [[1],
          [2],
          [3]]

我的预期产量:

final = [[650001.88, 300442.2,   18.73,  0.575,  650002.094, 300441.668, 18.775, 1],
             [650001.96, 300443.4,   18.7,   0.65,   650002.571, 300443.182, 18.745, 2],
             [650002.95, 300442.54,  18.82,  0.473,  650003.056, 300442.085, 18.745, 3]]

要做到这一点,我创建简单的循环:

for i in first:
        for j in second:
            final += np.append(j, i)

我得到了我填补我遗失的东西.首先,我的循环非常慢.其次我的数据非常多,我有超过2毫升的行循环.所以我尝试使用此代码找到更快的方法:

final = [np.append(i, second[0]) for i in first] 

它的工作速度比前一个循环快得多,但它仅附加第二个数组的第一个值.你能帮助我吗？

我需要计算海量数据中2 xyz点之间的距离(100 Gb,大约20个trylion点).我想加快这个循环.我创建了KDtree,添加了并行计算,将我的数组拆分为更小的部分.所以我想加速的就是这个循环.我的纯python计算时间大约需要10小时42分钟.增加numpy减少时间为5小时34分钟.添加numba速度可达4小时15分钟.但它仍然不够快.我听说Cython是python计算的最快方式,但我没有任何c经验,我不知道如何将我的函数转换为cython代码.如何使用cython或任何其他方式让这个循环更快地运行？

def controller(point_array, las_point_array):  

    empty = []


    tree = spatial.cKDTree(point_array, leafsize=1000, copy_data = True)   

    empty = __pure_calc(las_point_array, point_array, empty, tree)  

    return ptList   

#############################################################################################

@autojit
def __pure_calc(las_point_array, point_array, empty, tree):

    for i in las_point_array:
            p = tree.query(i)   

            euc_dist = math.sqrt(np.sum((point_array[p[1]]-i)**2))  

            ##add one row at a time to empty list
            empty.append([i[0], i[1], i[2], euc_dist, point_array[p[1]][0], point_array[p[1]][1], point_array[p[1]][2]]) 

    return empty

我附上样本数据进行测试:

样品