目前我正在使用 numpy 来完成这项工作。但是,由于我正在处理具有数千行/列的矩阵,后来这个数字将上升到数万,我想知道是否存在可以更快地执行这种计算的包?
2 回答
**如果您的矩阵是稀疏的,则使用 scipy.sparse 中的构造函数实例化您的矩阵,然后使用辣味.sparse.linalg中的类似特征向量/特征值方法。从性能的角度来看,这有两个优点:
你的矩阵,由辣味.sparse 构造函数构建,将与它的稀疏程度成比例地变小。
稀疏矩阵(eigs,eigsh )的特征值/特征向量方法接受一个可选参数,k是您想要返回的特征向量/特征值对的数量。几乎总是解释> 99%的方差所需的数量远少于列数,您可以事后验证;换句话说,您可以告诉方法不要计算并返回所有特征向量/特征值对——除了考虑方差所需的(通常)小子集之外,您不太可能需要其余部分。
使用SciPy中的线性代数库 scipy.linalg代替同名的NumPy库。这两个库具有相同的名称并使用相同的方法名称。不过性能还是有区别的。这种差异是由于numpy.linalg是对类似 LAPACK 例程的 不太忠实的包装器,它为了可移植性和便利性而牺牲了一些性能(即,为了符合NumPy设计目标,即整个NumPy库应该在没有 Fortran 的情况下构建编译器)。另一方面,SciPy 中的 linalg 是 LAPACK 上更完整的包装器 ,它使用f2py。
选择适合您的用例的功能;换句话说,不要使用功能超出您的需要。在scipy.linalg 中有几个函数可以计算特征值;差异并不大,但通过仔细选择计算特征值的函数,您应该会看到性能提升。例如:
- scipy.linalg.eig返回特征值和特征向量
- scipy.linalg.eigvals,仅返回特征值。因此,如果您只需要矩阵的特征值,则不要使用linalg.eig,而是使用linalg.eigvals。
- 如果你有一个实值平方对称矩阵(等于它的转置),那么使用scipy.linalg.eigsh
优化您的 Scipy 构建准备您的 SciPy 构建环境主要在 SciPy 的setup.py脚本中完成。也许最重要的性能选项是识别任何优化的 LAPACK 库,例如ATLAS或 Accelerate/vecLib 框架(仅限 OS X?),以便 SciPy 可以检测它们并针对它们进行构建。根据您目前拥有的装备,优化您的 SciPy 构建然后重新安装可以显着提高性能。来自 SciPy 核心团队的其他说明在这里。
这些函数是否适用于大型矩阵?
我应该这样认为。这些是工业强度的矩阵分解方法,它们只是类似 Fortran LAPACK例程的薄包装。
我已经使用了 linalg 库中的大多数方法来分解列数通常在 5 到 50 之间并且行数通常超过 500,000 的矩阵。SVD和特征值方法在处理这种大小的矩阵时似乎都没有任何问题。
使用SciPy库linalg ,您可以使用此库中的几种方法eig、eigvalsh和eigh中的任何一种,通过一次调用来计算特征向量和特征值。
>>> import numpy as NP
>>> from scipy import linalg as LA
>>> A = NP.random.randint(0, 10, 25).reshape(5, 5)
>>> A
array([[9, 5, 4, 3, 7],
[3, 3, 2, 9, 7],
[6, 5, 3, 4, 0],
[7, 3, 5, 5, 5],
[2, 5, 4, 7, 8]])
>>> e_vals, e_vecs = LA.eig(A)
如果您的矩阵是稀疏的,您可以尝试使用 scipy 的稀疏特征值函数,它应该更快:
http://docs.scipy.org/doc/scipy/reference/sparse.linalg.html
您还可以查看专门的包,如 SLEPc,它具有 python 绑定并且可以使用 mpi 并行进行计算: