Skip to main content
 首页 » 编程设计

python之Numpy 分段函数在 scipy quad 中很慢

2024年12月31日28lyj

我试图以 numpy 方式和基本 pythonic 方式测量评估数学函数所花费的时间。首先,我测量了评估功能所需的时间。

import numpy as np 
import scipy as sp 
import scipy.integrate as si 
 
 
 
def func1(x): 
    return np.piecewise(x, [x<=2, x>2], 
                    [lambda x: 2*x + pow(2, x), 
              lambda x: -(pow(x, 2) + 2)] 
                       ) 
def func2(x): 
    if (x<=2): return 2*x + pow(2,x) 
    else: return -(pow(x, 2) + 2) 
 
data = np.linspace(-10, 10, 1000) 
%timeit data1 = func1(data) 
data2 = [] 
%timeit for i in range(0, np.size(data)): data2.append(func2(data[i])) 

其实上面的结果和我预想的一样,numpy方式比basic方式快多了。

35.2 µs ± 110 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each) 
771 µs ± 10.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

然而,奇怪的事情发生在 scipy.integrate.quad 中。以基本的 pythonic 方式集成速度要快得多。为什么会这样?

%timeit si.quad(func1, -10, 10) 
%timeit si.quad(func2, -10, 10) 
 
5.59 ms ± 25.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 
187 µs ± 39.3 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each) 

请您参考如下方法:

np.piecewise 仅在利用矢量化时速度很快。当输入是标量时,它比等效的 python 慢得多,大概是由于开销:

from timeit import timeit 
kwds = dict(globals=globals(), number=1000) 
 
print(timeit("data1 = func1(data)", **kwds)) 
data2 = [] 
print(timeit("for i in range(0, np.size(data)): data2.append(func2(data[i]))", **kwds)) 
data3 = [] 
print(timeit("for i in range(0, np.size(data)): data3.append(func1(data[i]))", **kwds)) 
 
0.06953751016408205 
0.957529284991324 
15.591511018108577 

现在,仅是它与 func2 一起工作的事实、文档和流行的自适应集成方案的工作方式都表明 quad 调用其带有标量参数的被积函数另一个可以解释您的观察结果。