背景: 我最近发现了alglib库(用于数值计算),这似乎是我一直在寻找的东西(稳健插值、数据分析......),但在 numpy 或 scipy 中找不到。
但是,我担心(例如,对于插值)它不接受 numpy 数组作为有效的输入格式,而只接受常规的 python 列表对象。
问题: 我对代码和文档进行了一些研究,发现(如预期的那样)这种列表格式只是用于转换,因为库无论如何都会将其转换为 ctypes(cpython 库只是底层 C 的接口/C++ 库)。
这就是我担心的地方:在我的代码中,我正在使用 numpy 数组,因为它对我正在执行的科学计算来说是一个很大的性能提升。因此,我担心必须将传递给alglib例程的任何数据转换为列表(将转换为 ctypes)会对性能产生巨大影响(我正在使用内部可能有数十万个浮点数的数组,并且有数千个数组)。
问题: 你认为我确实会有性能损失,还是你认为我应该开始修改alglib代码(仅限python接口),以便它可以接受numpy数组,并且只进行一次转换(从numpy数组到ctypes )? 我什至不知道这是否可行,因为它是一个相当大的图书馆......也许你们有更好的想法或建议(即使在相似但不同的图书馆)......
编辑
似乎我的问题没有引起很多兴趣,或者我的问题不清楚/不相关。或者也许没有人有解决方案或建议,但我怀疑周围有这么多专家:) 无论如何,我已经编写了一个小而快速且肮脏的测试代码来说明问题......
#!/usr/bin/env python
import xalglib as al
import timeit
import numpy as np
def func(x):
return (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2
def fa(x, y, val=3.14):
s = al.spline1dbuildakima(x, y)
return (al.spline1dcalc(s, val), func(val))
def fb(x, y, val=3.14):
_x = list(x)
_y = list(y)
s = al.spline1dbuildakima(_x, _y)
return (al.spline1dcalc(s, val), func(val))
ntot = 10000
maxi = 100
x = np.random.uniform(high=maxi, size=ntot)
y = func(x)
xl = list(x)
yl = list(y)
print "Test for len(x)=%d, and x between [0 and %.2f):" % (ntot, maxi)
print "Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2"
a, b = fa(xl, yl)
err = np.abs(a-b)/b * 100
print "(x=3.14) interpolated, exact =", (a, b)
print "(x=3.14) relative error should be <= 1e-2: %s (=%.2e)" % ((err <= 1e-2), err)
if __name__ == "__main__":
t = timeit.Timer(stmt="fa(xl, yl)", setup="from __main__ import fa, xl, yl, func")
tt = timeit.Timer(stmt="fb(x, y)", setup="from __main__ import fb, x, y, func")
v = 1000 * t.timeit(number=100)/100
vv = 1000 * tt.timeit(number=100)/100
print "%.2f usec/pass" % v
print "%.2f usec/pass" % vv
print "%.2f %% less performant using numpy arrays" % ((vv-v)/v*100.)
并运行它,我得到:
"""
Test for len(x)=10000, and x between [0 and 100.00):
Function: (3.14 *x**2.3 + x**3 -x**2.34 +x)/(1.+x)**2
(x=3.14) interpolated, exact = (3.686727834705164, 3.6867278531266905)
(x=3.14) relative error should be <= 1e-2: True (=5.00e-07)
25.85 usec/pass
28.46 usec/pass
10.09 % less performant using numpy arrays
"""
性能损失在大约 8% 到 14% 之间波动,这对我来说是巨大的......