Sto cercando di ottimizzare un loop che ho in un pezzo del mio codice. Ho pensato che scriverlo in un modo più intorpidito avrebbe reso più veloce, ma ora è più lento! le equazioni prende in input una vec numpy.array di lunghezza n:Modo Python efficiente per equazioni ricorsive
from numpy import *
def f(vec):
n=len(vec)
aux=0
for i in range(n):
aux = aux + (1- aux)*vec[i]
return aux
def f2(vec):
n=len(vec)
G=tril(array([-vec]*n),-1)+1 #numpy way!
aux=dot(G.prod(1),vec)
return aux
if __name__ == '__main__':
import timeit
print(timeit.timeit("f(ones(225)+4)", setup="from __main__ import f\nfrom numpy import ones",number=1000))
print(timeit.timeit("f2(ones(225)+4)", setup="from __main__ import f2\nfrom numpy import ones,tril,dot",number=1000))
0,429496049881 [s]
5,66514706612 [s]
ho finalmente deciso di inserte l'intera funzione nel mio ciclo, ottenere un incremento delle prestazioni 3 volte. Sto davvero cercando un aumento delle prestazioni di 100 volte, ma non so cos'altro fare. Questa è la mia ultima funzione:
def CALC_PROB_LOC2(int nSectors, int nZones,double[:] beta, double[:] thetaLoc,np.ndarray[double, ndim=2] h, np.ndarray[double, ndim=2] p, np.ndarray[np.float64_t, ndim=3] U_nij, np.ndarray[double, ndim=2] A_ni):
cdef np.ndarray[double, ndim=3] Pr_nij =np.zeros((nSectors,nZones,nZones),dtype="d")
cdef np.ndarray[double, ndim=2] U_ni =np.zeros((nSectors,nZones),dtype="d")
#cdef np.ndarray[np.float64_t, ndim=1] A_ni_pos
cdef Py_ssize_t n,i,opt
cdef int aux_bool,options
cdef np.ndarray[np.float64_t, ndim=1] prob,attractor,optionCosts
cdef np.ndarray[np.float64_t, ndim=1] eq23,utilities
cdef double disu
cdef double eq22
cdef double aux17
for n in range(nSectors):
aux_bool=1
if n in [0,2,9,10,11,12,13,14,18,19,20]:
for i in xrange(nZones):
U_ni[n,i]=p[n,i]+h[n,i]
Pr_nij[n,i,i]=1
aux_bool=0
if aux_bool==1:
if beta[n]<=0:
for i in xrange(nZones):
U_ni[n,i]=U_nij[n,i,i]
else:
A_ni_pos=A_ni[n,:]>0
options=len(A_ni[n,:][A_ni_pos])
attractor=A_ni[n,:][A_ni_pos]
if options>0:
for i in xrange(nZones):
optionCosts=U_nij[n,i,A_ni_pos]
disu=0
eq22=0
aux17=0
prob=np.ones(options)/options #default value
if beta[n]==0:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,0
if options==1:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,optionCosts
else:
if thetaLoc[n]<=0:
cmin=1
else:
cmin=(optionCosts**thetaLoc[n]).min()
if cmin==0:
cmin=100
utilities=optionCosts/cmin
eq23=-beta[n]*utilities
eq23=np.exp(eq23)
aux17=np.dot(attractor,eq23)
if aux17==0:
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= 0*prob,0
else:
for opt in range(options):
eq22=eq22+(1-eq22)*eq23[opt]
prob=attractor*eq23/aux17
disu=cmin*(-np.log(eq22)/beta[n])
Pr_nij[n,i,A_ni_pos],U_ni[n,i]= prob,disu
return Pr_nij,U_ni
Che cos'è 'vec'? e cos'è 'n'? – TerryA
le equazioni prendono come input un array numerico vec di lunghezza n: – tcapelle
Come hai determinato che funziona più lentamente? Se lo cronometrate, pubblica il test e i risultati. – thegrinner