0

我需要减少 python 中 quad() 的运行时间（我正在整合数千个积分）。我在这里发现了一个类似的问题，他们建议进行多次集成并添加部分值。但是，这并不能提高性能。有什么想法吗？这是一个简单的例子：

import numpy as np                      
from scipy.integrate import quad
from scipy.stats import norm
import time

funcB = lambda x: norm.pdf(x,0,1)

start = time.time()
good_missclasified,_ = quad(funcB, 0,3.3333)
stop = time.time()
time_elapsed = stop - start 
print ('quad : ' + str(time_elapsed))

start = time.time()
num = np.linspace(0,3.3333,10)
Lv = []
last, lastG = 0, 0
for g in num:
  Lval,x = quad(funcB, lastG, g)
  last, lastG = last + Lval, g
  Lv.append(last)
Lv = np.array(Lv)
stop = time.time()

time_elapsed = stop - start 
print ('10 int : ' + str(time_elapsed))
print(good_missclasified,Lv[9])
4

1 回答 1

2

quadpy（我的一个项目）是矢量化的，可以一次在多个域（例如，间隔）上集成一个函数。不过，您必须选择自己的集成方法。

import numpy
import quadpy

a = 0.0
b = 1.0
n = 100
start_points = numpy.linspace(a, b, n, endpoint=False)
h = (b-a) / n
end_points = start_points + h
intervals = numpy.array([start_points, end_points])

scheme = quadpy.line_segment.gauss_kronrod(3)
vals = scheme.integrate(numpy.exp, intervals)
print(vals)

[0.10050167 0.10151173 0.10253194 0.1035624  0.10460322 0.1056545
 0.10671635 0.10778886 0.10887216 0.10996634 0.11107152 0.11218781
 0.11331532 0.11445416 0.11560444 0.11676628 0.1179398  0.11912512
 0.12032235 0.12153161 0.12275302 0.12398671 0.12523279 0.1264914
 0.12776266 0.1290467  0.13034364 0.13165362 0.13297676 0.1343132
 0.13566307 0.1370265  0.13840364 0.13979462 0.14119958 0.14261866
 0.144052   0.14549975 0.14696204 0.14843904 0.14993087 0.15143771
 0.15295968 0.15449695 0.15604967 0.157618   0.15920208 0.16080209
 0.16241818 0.16405051 0.16569924 0.16736455 0.16904659 0.17074554
 0.17246156 0.17419482 0.17594551 0.17771379 0.17949985 0.18130385
 0.18312598 0.18496643 0.18682537 0.188703   0.1905995  0.19251505
 0.19444986 0.19640412 0.19837801 0.20037174 0.20238551 0.20441952
 0.20647397 0.20854907 0.21064502 0.21276204 0.21490033 0.21706012
 0.21924161 0.22144502 0.22367058 0.22591851 0.22818903 0.23048237
 0.23279875 0.23513842 0.2375016  0.23988853 0.24229945 0.2447346
 0.24719422 0.24967857 0.25218788 0.25472241 0.25728241 0.25986814
 0.26247986 0.26511783 0.2677823  0.27047356]
于 2017-03-17T20:55:15.917 回答