Performance 加速计算同一组节点上的多条scipy样条曲线

关于在scipy（版本0.12.0）中加速样条函数计算，我有几个快速的问题，我想为我对样条函数的新手理解提前道歉。我试图创建一个对象，用于scipy.INTEGLE.odeint化学动力学问题的积分，使用样条线查找反应速率（ode系统变量的1.e2-1.e3函数），并为ode方程组中的所有代数生成c代码。与以前纯python实现相比，计算c代码要比样条插值快得多，因此样条插值的计算是ODE函数中的瓶颈。在试图消除瓶颈时，我将所有反应速率转化为样条曲线，这些样条曲线存在于相同节点值上，具有相同的顺序，同时具有不同的平滑系数（实际上，我将有多个函数集，其中每个函数集位于相同的节点上，具有相同的参数变量，并且处于相同的导数级别，但为了简单起见，我将为这个问题假设一个函数集）

原则上，这只是相同x值上的一组曲线，可以使用interp1d（从scipy.interpolate等效地重写splmake和spleval）或SPLEP对tck数据的splev调用列表进行处理

In [1]: %paste
import numpy
import scipy
from scipy.interpolate import *
#Length of Data
num_pts = 3000
#Number of functions
num_func = 100
#Shared x list by all functions
x = numpy.linspace(0.0,100.0,num_pts)
#Separate y(x) list for each function
ylist = numpy.zeros((num_pts,num_func))
for ind in range(0,num_func):
   #Dummy test for different data
   ylist[:,ind] = (x**ind + x - 3.0)

testval = 55.0

print 'Method 1'
fs1 = [scipy.interpolate.splrep(x,ylist[:,ind],k=3) for ind in range(0,num_func)]
out1 = [scipy.interpolate.splev(testval,fs1[ind]) for ind in range(0,num_func)]
%timeit [scipy.interpolate.splev(testval,fs1[ind]) for ind in range(0,num_func)]

print 'Method 2 '
fs2 = scipy.interpolate.splmake(x,ylist,order=3)
out2 = scipy.interpolate.spleval(fs2,testval)
%timeit scipy.interpolate.spleval(fs2,testval)

## -- End pasted text --
Method 1
1000 loops, best of 3: 1.51 ms per loop
Method 2 
1000 loops, best of 3: 1.32 ms per loop

据我所知，在创建tck数组（使用splrep或splmake）后，当给定一些新值xnew时，求值函数（splev和spleval）将执行两个操作： 1） 确定结的相关标记和平滑系数 2） 使用平滑系数和新xnew计算多项式表达式

问题 由于（函数集中的）所有样条曲线都是在相同的节点值上创建的，一旦对函数集中的第一个函数执行了样条曲线计算，是否可以避免步骤（1，相关指数）？从我查看Fortran fitpack文件（直接从中，我在我的机器上找不到scipy使用的.c文件）的情况来看，我认为这是不受支持的，但我希望显示错误

就我而言，编译系统c代码以及创建所有样条tck数组是一个预处理步骤；如果我担心评估这些函数列表的速度，那么应该考虑编译变量，因为我的tck列表是不变的

我的一个函数集可能有一个几何间距值的x数组，而不是线性间距值；这会大大缩短样条曲线的计算时间吗

提前感谢您的时间和回答。 干杯

---

Guy

DIERCKX代码确实不支持向量值样条曲线（这是您在这里想要的）；Scipy直接使用该代码，它没有移植到C。修复这一问题已在Scipy的路线图上，但不确定它是否会在下一个版本中出现。同时，您可以自己编写一个样条曲线求值例程——在Fortran中只需要50行代码，而且相当简单。请参阅DIERCKX中的splev.f和fpbspl.f。干杯，谢谢您提供的信息。我想知道scipy或fitpack库是否提供了我错过的东西，但正如您所说，编写矢量化版本应该不会太难。再次感谢。