Мне приходится иметь дело с анализом чувствительности, который необходимо ускорить. Данные приведены в виде массива, назовем его A. A получил форму (M, N), где M - это количество точек данных, а N - это количество атрибутов, из которых состоит каждая точка данных, и по которым должен быть выполнен анализ. Для простоты предположим M=2, N=4. Имейте в виду что-то вроде M=1+e9. Тем не мение. Пусть a_{mn} будет элементом A. Анализ должен выполняться для вычисления функции f(a_{m1},a_{m2}, a_{m3}, a_{m4}) = a_{m1} - a_{m2} - ( a_{m3} * a_{m4} ) для каждой строки, чтобы f(A) приводил к массиву B shape (M,1). Так что b_m является элементом B.
Хотите создать массив E shape (M, N), содержащий чувствительность для каждого элемента на B в общей сложности. например элемент e: m=1 an n=2, e_{mn}= e_{12} = f(a_{11},a_{12}*(1-i), a_{13}, a_{14}) - b_1
Теперь ищем чувствительность каждого элемента на B. Пусть чувствительность i будет i=0.05. Прежде всего я вычислил массив формы (M, N), который содержит все элементы и их изменения. Давайте назовем это C = B * i, где * - это поэлементное умножение. После этого, создав D, я перебрал все элементы массива. Наконец вычитается B, чтобы получить E. Я думаю, это слишком дорого и очень глупо. Вот почему он не работает с огромным количеством данных. Вот что я получил:
import numpy as np
A = np.array([
[2., 2., 100., 0.02],
[4., 2., 100., 0.02]
])
def f_from_array(data):
att_1 = data[:, 0]
att_2 = data[:, 1]
att_3 = data[:, 2]
att_4 = data[:, 3]
return ((att_1 - att_2) - (att_3 * att_4)).reshape(-1, 1)
def f_from_list(data):
att_1 = data[0]
att_2 = data[1]
att_3 = data[2]
att_4 = data[3]
return ((att_1 - att_2) - (att_3 * att_4)).reshape(-1, 1)
B = f_from_array(A)
# B = np.array([
# [-2.],
# [0.]
# ])
i = 0.05
C = A * i
A_copy = A * 1
D = np.zeros(A.shape)
for m in range(A.shape[0]):
for n in range(A.shape[1]):
A_copy[m][n] -= C[m][n]
D[m][n] = f_from_list(A_copy[m])
A_copy = A * 1
E = D - B
E = np.sqrt(E**2)
Выход:
E = np.array([
[0.1, 0.1, 0.1, 0.1],
[0.2, 0.1, 0.1, 0.1]
])