Python 如何加速Poisson-pmf函数？

我的用例是在小于10的所有点上计算泊松pmf，我会多次调用这种函数，并使用差分lambdas。lambda在时间上是未知的，所以我不能矢量化lambda

我从某处听说了一个秘密窍门，那就是使用

\u pmf

。这样做的缺点是什么？但是，它仍然有点慢，有没有办法在不从头重写C中的pmf的情况下对其进行改进

%timeit scipy.stats.poisson.pmf(np.arange(0,10),3.3)
%timeit scipy.stats.poisson._pmf(np.arange(0,10),3.3)
a = np.arange(0,10)
%timeit scipy.stats.poisson._pmf(a,3.3)

10000 loops, best of 3: 94.5 µs per loop
100000 loops, best of 3: 15.2 µs per loop
100000 loops, best of 3: 13.7 µs per loop

更新 好吧，我只是太懒了，没法用cython写东西。我原以为所有离散分布都有一个更快的解决方案，可以对连续的

x

进行顺序（迭代）计算。例如，

P（X=3）=P（X=2）*lambda/3如果X~Pois（lambda）

相关的：

我现在对Scipy和Python不太信任了。库函数没有我预期的那么高级

尝试在cython中实现pmf。如果你的scipy是像Anaconda或Enthough这样的软件包的一部分，你可能已经安装了cython

试着用pypy运行它

租用大型AWS服务器（或类似服务器）的时间

---

大多数

scipy.stats

发行版都支持矢量化评估：

>>> poisson.pmf(1, [5, 6, 7, 8])
array([ 0.03368973,  0.01487251,  0.00638317,  0.0026837 ])

这可能不够快，也可能不够快，但您可以尝试将

pmf

调用从循环中取出

关于

pmf

和

\u-pmf

之间的区别：真正的工作是在带下划线的函数（

\u-pmf

，

\u-cdf

等）中完成的，而公共函数（

pmf

，

cdf

）则确保只有有效的参数指向

\u-pmf

（如果参数无效，

\u pmf

的输出不能保证有意义，因此使用时请自行承担风险）

---

进一步的细节：

我发现与一个简单的python实现相比，

scipy.stats.poisson

类的速度非常慢

没有cython或vectors之类的东西

导入数学
def poisson_pmf（x，mu）：
返回mu**x/math.factorial（x）*math.exp（-mu）
def泊松分布函数（k，μ）：
p_总计=0.0
对于范围（k+1）内的x：
p_总+=泊松pmf（x，μ）
返回p_总计

如果您检查了

scipy.stats.poisson

（甚至是带下划线前缀的版本）的属性，那么很清楚为什么

上面的实现现在只比C语言（用

gcc-O3

v9.3编译）慢了10倍。scipy版本至少比C语言慢了10倍

#包括
无符号长阶乘（无符号n）{
无符号长事实=1；
for（无符号k=2；k
>>> poisson.pmf(1, -1)
nan
>>> poisson._pmf(1, -1)
/home/br/virtualenvs/scipy-dev/local/lib/python2.7/site-packages/scipy/stats/_discrete_distns.py:432: RuntimeWarning: invalid value encountered in log
  Pk = k*log(mu)-gamln(k+1) - mu
nan