我在Python中构建矩阵时遇到了一些问题。 每个元素中都有一个循环,其中each element A_{ij}的形式如图所示,这里x是一个q元素的数组(在下面的代码中用xi表示)。Python:如何避免构建这个矩阵的循环,并更快地计算它的行列式?
我尝试了下面的代码,但它需要太多的时间。我认为这是因为循环的数量,所以我在考虑将它看作两个矩阵的产品,但由于lambda具有两个维度,所以它不起作用。
由于这些代码将作为一个函数显示并将被多次使用,有什么方法可以让它变得更快?谢谢sooooo多!
def lambdak(i,j,alpha,rho):
return math.pi * alpha**2 * rho * math.exp(-math.pi**2 * alpha**2 *(i**2 + j**2))
def phik(i,j,x,alpha,rho):
return cmath.exp(2 * math.pi * 1j * (i*x[0] + j*x[1]))
alpha = 0.5
rho = 50
num = 30
x = np.random.uniform(-0.5,0.5,num)
y = np.random.uniform(-0.5,0.5,num)
xi = np.zeros((num,3))
for i in range(num):
xi[i] = np.array([x[i], y[i], 0])
q = len(xi)
A = [[np.sum(list(map(lambda j:
np.sum(list(map(lambda i:
lambdak(i,j,alpha,rho)/(1-lambdak(i,j,alpha,rho))* phik(i,j,xi[x]-xi[y],alpha,rho),
range(-N,N+1)))),
range(-N,N+1)))) for x in range(q)] for y in range(q)]
a = np.linalg.inv(A)
只要看看你的代码,我可以给你一些建议。 1)您可以将计算lambda表达式(i,j,alpha,rho)移入单独的函数中,并将其存储在二维数组中。你不必为每个q重新计算它。 2)此代码也可以并行化,您可以独立计算每个值,但python具有GIL限制。基本上,这意味着,即使你使用python实现多线程,你也不会看到明显的加速。但是有一些微妙的优化,比如缓存,这绝对可以让你的代码的订单更快。 – skippy
@skippy thx这么多为您的答案!我会尝试第一点! –
@skippy但是对于你的第二点,你能稍微解释一下吗?我研究过“缓存”,但由于我对它不熟悉,所以我完全失去了XO –