学校的助教向我展示了这段代码,作为最小二乘拟合算法的示例。
import numpy as np
#return the coefficients (a0,..aN) of the fit y=a0+a1*x+..an*x^n
#with associated sigma dy
#x,y,dy are all np.arrays with dtype= np.float64
def fit_poly(x,y,dy,n):
V = np.asmatrix(np.diag(dy**2))
M = []
for k in range(n+1):
M.append(x**k)
M = np.asmatrix(M).T
theta = (M.T*V.I*M).I*M.T*V.I*np.asmatrix(y).T
cov_t = (M.T*V.I*M).I
return np.asarray(theta.T)[0], np.asarray(cov_t)
我正在尝试使用 cython 优化他的代码。我得到了这个代码
cimport numpy as np
import numpy as np
cimport cython
@cython.boundscheck(False)
@cython.wraparound(False)
cpdef poly_c(np.ndarray[np.float64_t, ndim=1] x ,
np.ndarray[np.float64_t, ndim=1] y np.ndarray[np.float64_t,ndim=1]dy , np.int n):
cdef np.ndarray[np.float64_t, ndim=2] V, M
V=np.asmatrix(np.diag(dy**2),dtype=np.float64)
M=np.asmatrix([x**k for k in range(n+1)],dtype=np.float64).T
return ((M.T*V.I*M).I*M.T*V.I*(np.asmatrix(y).T))[0],(M.T*V.I*M).I
但是两个程序的运行时似乎是相同的,我确实使用了“断言”来确保输出相同。我错过了什么/做错了什么?
感谢您的宝贵时间,希望您能帮助我。
ps:这是我进行分析的代码(不确定我是否可以调用此分析,但可以使用)
import numpy as np
from polyC import poly_c
from time import time
from pancho_fit import fit_poly
#pancho's the T.A,sup pancho
x=np.arange(1,1000)
x=np.asarray(x,dtype=np.float64)
y=3*x+np.random.random(999)
y=np.asarray(y,dtype=np.float64)
dy=np.array([y.std() for i in range(1,1000)],dtype=np.float64)
t0=time()
a,b=poly_c(x,y,dy,4)
#a,b=fit_poly(x,y,dy,4)
print("time={}s".format(time()-t0))
最佳答案
除了 [x**k for k in range(n+1)]
之外,我没有看到 cython
有任何迭代需要改进。大部分作用发生在基质产品中。这些已经通过编译代码完成(使用 np.dot
表示 ndarrays
)。
并且n
只有4,迭代次数并不多。
但是为什么要迭代这个呢?
In [24]: x=np.arange(1,1000.)
In [25]: M1=x[:,None]**np.arange(5)
# np.matrix(M1)
做同样的事情。
所以不,这看起来不像是一个好的 cython 候选者 - 除非您准备好以可编译的细节写出所有这些矩阵产品。
我也会跳过 asmatrix
内容并使用常规的 dot
、@
和 einsum
,但那就是更多的是风格问题而不是速度问题。
关于python - Cython/numpy 与纯 numpy 的最小二乘拟合,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/38387393/