我试图在SciPy中使用C定义的函数进行数值积分。所给出的例子是 在这里(SciPy文档) 运作良好。
在我的情况下, testlib.c
档案是
/* testlib.c */
#include <math.h>
#define PI 3.14159265358979323846
double factor(double phi, double r) {
double val = (2*PI)/(pow(r, 2) + 3*cos(phi));
return val;
}
//------------------------------------
double f2(int n, double *x, void *user_data) {
double c = *(double *)user_data;
double v1 = factor(c, 0.25); // value of phi defined inline but it is an argument
return v1 + x[0] - x[1] ; /* corresponds to v1 + x - y */
}
而且,test.py函数调用的 testlib.so
编译后得到的文件如下。
import os, ctypes
from scipy import integrate, LowLevelCallable
lib = ctypes.CDLL(os.path.abspath('testlib.so'))
# define return type in .restype
lib.f2.restype = ctypes.c_double
# define argument type in .argtypes
lib.f2.argtypes = (ctypes.c_int, ctypes.POINTER(ctypes.c_double), ctypes.c_void_p)
# additional argument, here a constant, casting needed
c = ctypes.c_double(1.0)
user_data = ctypes.cast(ctypes.pointer(c), ctypes.c_void_p)
# pass extra argument
func = LowLevelCallable(lib.f2, user_data)
# quadrature in 3-dimensions
out=integrate.nquad(func, [[0, 10], [-10, 0]])
print(out)
# -----------------------------------------------
phi = 0.25 # How to pass these to the C function
esv = 1.25
cv1 = 0.03
cv2 = -0.15
cv3 = 3.0
我的问题: 如何传递附加参数,如 c
到功能 f2
. 在我的例子中,我有5个这样的论点,可用的是 np.float64
在调用的py文件中。
我想知道我是否可以将参数作为数组传递给 user_data
到功能 f2
.
从 文件 对于 nquad
,发现参数要以数组和 int n
在C函数中是指传递的参数数。
另外,我也愿意尝试其他选项,如cython,pyCapsule,但没有经验。在使用numba和jit时发现了非常类似的问题,其中没有传递额外的参数。使用numba和jit进行集成。SE
用于编制 testlib.c
: $ gcc -shared -fPIC -o testlib.so testlib.c
它们是不止一种剥皮的方式,但如果你使用的是 ctypes
有可能坚持 ctypes
比如说,你可以创建一个数组,然后用数值来初始化它。
你可以创建一个数组,然后用数值初始化它,例如:
ptr_to_buffer=(ctypes.c_double*5)(phi,esv,cv1,cv2,cv3)
user_data = ctypes.cast(ptr_to_buffer, ctypes.c_void_p)
或者如果数据已经在一个numpy数组中(我最初理解你的问题):
import numpy as np
a=np.array([1.0, 2.0, 3.0, 4.0, 5.0], np.float64)
import ctypes
ptr_to_buffer=(ctypes.c_double*5).from_buffer(a)
user_data = ctypes.cast(ptr_to_buffer, ctypes.c_void_p)
在这种情况下 user_data
是a的副本,不共享内存,这有时是件好事,有时不是。
对于更大的数组,我们也可以让 user_data
也要和numpy-array共享内存。
user_data = ctypes.c_void_p(a.__array_interface__['data'][0])
可以通过以下方式验证。
ctypes.cast(user_data, ctypes.POINTER(ctypes.c_double))[0] = 42.0
print(a[0])
# 42.0 and not 1.0
对于这个变量,你实际上必须检查,numpy-array的内存是否连续,关于如何获得这些信息的例子,可以在以下地方查找到 numpy.ctypeslib.as_ctypes
.
也许一个不那么低级的获取指针的方式是
user_data = ctypes.cast(np.ctypeslib.as_ctypes(a), ctypes.c_void_p)
但仍然需要对形状特征进行检查。