用于 SciPy 集成和插值的 Numba

Question

我使用 Numba 来加速我的代码。它效果很好，可提供 2-3 倍的改进。然而，我的代码中花费的主要时间（大约 90%）是在 scipy 四边形积分和插值（线性和三次样条）上。我进行了数百次这些集成，因此我认为这是 Numba 可以增强的功能。 看起来 Numba 不支持这些？我听说过 Numba-Scipy ，它应该让 Numba 识别 Scipy，但这似乎仍然不起作用。 有没有办法让 Numba 优化我的积分/插值？

Answer 1

刚刚为 cquadpack 编写了一个名为

NumbaQuadpack

的包装器，它应该可以执行您想要的操作：https://github.com/Nicholaswogan/NumbaQuadpack 。 cquadpack 是 Quadpack 的 C 版本，

scipy.integrate.quad

使用的就是它。

from NumbaQuadpack import quadpack_sig, dqags
import numpy as np
import numba as nb
import timeit

@nb.cfunc(quadpack_sig)
def f(x, data):
    return x**2 + 2 + np.log(x)
funcptr = f.address
a = 0
b = 1
sol, abserr, success = dqags(funcptr, a, b)
print(sol) # definite integral solution

# test speed
@nb.njit()
def timetest_nb():
    sol, abserr, success = dqags(funcptr, a, b)
timetest_nb()
n_time=10000
print(timeit.Timer(timetest_nb).timeit(number=n_time)/n_time) 

在我的计算机上，这个小积分需要 4.2 µs，当我使用 scipy.integrate.quad 执行相同的操作时，需要 68.1 µs。

对于插值，只需使用

np.interp

（一维插值）。它可以在 numba-jitted 函数中使用。

一般来说，任何 C/C++ 或 Fortran 代码都可以用 ctypes 包装，并从 numba-jitted 函数中调用。