Python numpy和scipy中的阶乘

如何分别从numpy和scipy导入阶乘函数以查看哪一个更快

---

我已经通过导入数学从python本身导入了阶乘。但是，它不适用于numpy和scipy。

您可以这样导入它们：

In [7]: import scipy, numpy, math                                                          

In [8]: scipy.math.factorial, numpy.math.factorial, math.factorial
Out[8]: 
(<function math.factorial>,                                                                
 <function math.factorial>,                                                                
 <function math.factorial>)

[7]中的

：导入scipy、numpy、数学
在[8]中：scipy.math.factorial，numpy.math.factorial，math.factorial
出[8]：
(,                                                                
,                                                                
)

scipy.math.factorial

和

numpy.math.factorial

似乎只是/to

math.factorial

的别名/引用，也就是说

scipy.math.factorial是math.factorial

和

numpy.math.factorial是math.factorial。factorial

应该都给出

True

scipy的函数（以前的

scipy.misc.factorial

）

---

Ashwini的答案很好，因为他指出，

scipy.math.factorial

，

numpy.math.factorial

，

math.factorial

是相同的函数。但是，我建议使用Janne提到的函数，

scipy.special.factorial

是不同的。scipy的函数可以将

np.ndarray

作为一个函数输入，而其他人不能

In [12]: import scipy.special

In [13]: temp = np.arange(10) # temp is an np.ndarray

In [14]: math.factorial(temp) # This won't work
---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-14-039ec0734458> in <module>()
----> 1 math.factorial(temp)

TypeError: only length-1 arrays can be converted to Python scalars

In [15]: scipy.special.factorial(temp) # This works!
Out[15]: 
array([  1.00000000e+00,   1.00000000e+00,   2.00000000e+00,
         6.00000000e+00,   2.40000000e+01,   1.20000000e+02,
         7.20000000e+02,   5.04000000e+03,   4.03200000e+04,
         3.62880000e+05])

[12]中的

：导入scipy.special
在[13]中，temp=np.arange（10）#temp是一个np.ndarray
在[14]：math.factorial（temp）#这行不通
---------------------------------------------------------------------------
TypeError回溯（最近一次调用上次）
在（）
---->1数学阶乘（临时）
TypeError：只有长度为1的数组才能转换为Python标量
在[15]中：scipy.special.factorial（temp）#这很有效！
出[15]：
数组（[1.00000000e+00,1.00000000e+00,2.00000000e+00，
6.00000000e+00，2.40000000e+01，1.20000000e+02，
7.200000E+02、5.0400000E+03、4.03200000e+04、，
3.6288000E+05]）

因此，如果您要对np.ndarray执行阶乘运算，那么来自scipy的一个将比执行for循环更容易编码和更快

    from numpy import prod

    def factorial(n):
        print prod(range(1,n+1))

或使用来自操作员的mul：

    from operator import mul

    def factorial(n):
        print reduce(mul,range(1,n+1))

或者完全没有帮助：

    def factorial(n):
        print reduce((lambda x,y: x*y),range(1,n+1))

---

您可以将一些自制的阶乘函数保存在单独的模块utils.py上，然后导入它们，并使用timeit在scipy、numpy和math中将其性能与预定义的函数进行比较。 在这种情况下，我使用了Stefan Grunwald提出的最后一种外部方法：

import numpy as np


def factorial(n):
    return reduce((lambda x,y: x*y),range(1,n+1))

主要代码（我使用了JoshAdel在另一篇文章中提出的框架，查找python中的how-can-I-get-an-array-of-alternative-values-in-python）：

其中规定：

method1 0.0195569992065
method2 0.00638914108276

93326215443944152681699238856266700490715968264381621468592963895217599993229915608941463976156518286253697920827223758251185210916864000000000000000000000000
93326215443944152681699238856266700490715968264381621468592963895217599993229915608941463976156518286253697920827223758251185210916864000000000000000000000000


Process finished with exit code 0

在不同的人为阶乘运行了前面提到的不同函数之后，math.factorial是计算阶乘最快的

---

在所附的图像中查找不同函数的运行时间

scipy.misc.factorial的好处是它只计算数组中最大数的阶乘一次。所有其他的都是作为过程中的副作用计算的。弃用警告：在scipy 1.0.0中。使用

scipy.special.factorial

如果需要，

scipy.special.factorial

也可以使用gamma函数估计值。

from timeit import Timer
from utils import factorial
import scipy

    n = 100

    # test the time for the factorial function obtained in different ways:

    if __name__ == '__main__':

        setupstr="""
    import scipy, numpy, math
    from utils import factorial
    n = 100
    """

        method1="""
    factorial(n)
    """

        method2="""
    scipy.math.factorial(n)  # same algo as numpy.math.factorial, math.factorial
    """

        nl = 1000
        t1 = Timer(method1, setupstr).timeit(nl)
        t2 = Timer(method2, setupstr).timeit(nl)

        print 'method1', t1
        print 'method2', t2

        print factorial(n)
        print scipy.math.factorial(n)

method1 0.0195569992065
method2 0.00638914108276

93326215443944152681699238856266700490715968264381621468592963895217599993229915608941463976156518286253697920827223758251185210916864000000000000000000000000
93326215443944152681699238856266700490715968264381621468592963895217599993229915608941463976156518286253697920827223758251185210916864000000000000000000000000


Process finished with exit code 0