我有很多要整合的数据,并希望找到一种只用矩阵来完成所有操作的方法,并且愿意在准确性方面做出妥协以提高性能。我的想法是这样的:
import numpy
import scipy
a = np.array([1,2,3])
def func(x):
return x**2 + x
def func2(x):
global a
return a*x
def integrand(x):
return func(x)*func2(x)
integrated = quad(integrand, 0, 1)
所以我试图将每个元素集成到integrand
的数组中。
我知道有可能像这样使用numpy.vectorize()
:
integrated = numpy.vectorize(scipy.integrate.quad)(integrand, 0, 1)
但我无法正常工作。有没有办法在python中执行此操作?
解决方案
现在好了,我学到了更多的python我可以回答这个问题,如果有人碰巧稳定在它上面并且有同样的问题。这样做的方法是编写函数,好像它们将采用标量值,而不是向量作为输入。从上面的代码开始,我们将拥有的是
import numpy as np
import scipy.integrate.quad
a = np.array([1, 2, 3]) # arbitrary array, can be any size
def func(x):
return x**2 + x
def func2(x, a):
return a*x
def integrand(x, a):
return func(x)*func2(x, a)
def integrated(a):
integrated, tmp = scipy.integrate.quad(integrand, 0, 1, args = (a))
return integrated
def vectorizeInt():
global a
integrateArray = []
for i in range(len(a)):
integrate = integrated(a[i])
integrateArray.append(integrate)
return integrateArray
并非您要整合的变量必须是函数的第一个输入。这是scipy.integrate.quad所必需的。如果要对方法进行集成,则它是典型self
之后的第二个参数(即x
中集成了def integrand(self, x, a):
)。另外,args = (a)
必须告诉quad
函数a
中integrand
的值。如果integrand
有很多参数,比如def integrand(x, a, b, c, d):
,您只需将参数按顺序放在args
中。那就是args = (a, b, c, d)
。
答案 0 :(得分:4)
vectorize
无法提供有关提高使用quad
的代码性能的帮助。要使用quad
,您必须为integrate
返回的值的每个组成部分单独调用它。
对于矢量化但不太准确的近似值,您可以使用numpy.trapz
或scipy.integrate.simps
。
您的函数定义(至少是问题中显示的函数定义)是使用全部支持广播的numpy函数实现的,因此在[0,1]上给定x
值的网格时,您可以这样做:< / p>
In [270]: x = np.linspace(0.0, 1.0, 9).reshape(-1,1)
In [271]: x
Out[271]:
array([[ 0. ],
[ 0.125],
[ 0.25 ],
[ 0.375],
[ 0.5 ],
[ 0.625],
[ 0.75 ],
[ 0.875],
[ 1. ]])
In [272]: integrand(x)
Out[272]:
array([[ 0. , 0. , 0. ],
[ 0.01757812, 0.03515625, 0.05273438],
[ 0.078125 , 0.15625 , 0.234375 ],
[ 0.19335938, 0.38671875, 0.58007812],
[ 0.375 , 0.75 , 1.125 ],
[ 0.63476562, 1.26953125, 1.90429688],
[ 0.984375 , 1.96875 , 2.953125 ],
[ 1.43554688, 2.87109375, 4.30664062],
[ 2. , 4. , 6. ]])
也就是说,通过使x
成为具有形状(n,1)的数组,integrand(x)
返回的值具有形状(n, 3)
。 a
中的每个值都有一列。
您可以使用numpy.trapz()
将该值传递给scipy.integrate.simps()
或axis=0
,以获得积分的三个近似值。你可能想要一个更精细的网格:
In [292]: x = np.linspace(0.0, 1.0, 101).reshape(-1,1)
In [293]: np.trapz(integrand(x), x, axis=0)
Out[293]: array([ 0.583375, 1.16675 , 1.750125])
In [294]: simps(integrand(x), x, axis=0)
Out[294]: array([ 0.58333333, 1.16666667, 1.75 ])
将其与重复调用quad
进行比较:
In [296]: np.array([quad(lambda t: integrand(t)[k], 0, 1)[0] for k in range(len(a))])
Out[296]: array([ 0.58333333, 1.16666667, 1.75 ])
你的函数integrate
(我假设只是一个例子)是一个三次多项式,Simpson's rule给出了精确的结果。一般来说,不要期望simps
给出这样一个准确的答案。
答案 1 :(得分:0)
quadpy(我的一个项目)是完全矢量化的。使用
安装pip install quadpy
然后再做
import numpy
import quadpy
def integrand(x):
return [numpy.sin(x), numpy.exp(x)] # ,...
res = quadpy.line_segment.integrate(
integrand,
[0, 1],
quadpy.line_segment.GaussLegendre(5)
)
print(res)
输出:
[ 0.45969769 1.71828183]