Контекст: Я недавно обнаружил alglib библиотека (для численных расчетов), которая, кажется, мне нужнаискал (надежная интерполяция, анализ данных ...) и не мог найти ничего в numpy или scipy.
Однако меня беспокоит тот факт, что (например, для интерполяции) он не принимает numpyмассив в качестве допустимого формата ввода, но только обычные объекты списка Python.
Проблема: Я немного покопался в коде и документации и нашел (как и ожидалось)) что этот формат списка предназначен только для перехода, так как библиотека в любом случае преобразует его в ctypes (библиотека cpython является просто интерфейсом для базовой библиотеки C / C ++).
Вот что меня беспокоит: внутримой код, я работаю с пустыми массивами, потому что это значительно повышает производительность для научных расчетов, которые я выполняю на нем.Поэтому я боюсь, что необходимость преобразования любых данных, переданных в подпрограммы alglib в список (который будет преобразован в ctypes), окажет огромное влияние на производительность (я работаю с массивами, которыеможет иметь сотни тысяч плавающих внутри и тысячи массивов).
Вопрос: Как вы думаете, у меня действительно будет потеря производительности, или вы думаете, что я должен начать изменять alglib код (только интерфейс python), чтобы он мог принимать числовые массивы и выполнять только одно преобразование (из числовых массивов в ctypes)?Я даже не знаю, возможно ли это, потому что это довольно большая библиотека ... Может быть, у вас, ребята, есть лучшие идеи или предложения (даже в похожих, но разных библиотеках) ...
РЕДАКТИРОВАТЬ
Кажется, моя проблема не вызывает большого интереса или что мой вопрос не ясен / не актуален.Или, может быть, ни у кого нет решения или совета, но я сомневаюсь, что вокруг столько экспертов :) В любом случае, я написал небольшой, быстрый и грязный тестовый код, чтобы проиллюстрировать проблему ...
#!/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.)
ипри запуске я получаю:
"""
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
"""
Потеря производительности колеблется между 8% и 14%, что для меня огромно ...