如何在python中比使用numpy.linalg.lstsq更快地求解线性方程组?
我试图用numpy.linalg.lstsq解一个跨越几十万到二十万个方程的线性系统,但时间太长了。我能做些什么来加快速度如何在python中比使用numpy.linalg.lstsq更快地求解线性方程组?,python,performance,numpy,math,computer-science,Python,Performance,Numpy,Math,Computer Science,我试图用numpy.linalg.lstsq解一个跨越几十万到二十万个方程的线性系统,但时间太长了。我能做些什么来加快速度 矩阵稀疏,有数百列(尺寸约为150 000 x 140),系统过于确定 这里有一些即兴的技巧,可以大大加快对指定维度的随机数据的计算速度 不过,我不知道这在数字上听起来有多像 import numpy as np from time import perf_counter def lstsq(A, b): AA = A.T @ A bA = b @ A
矩阵稀疏,有数百列(尺寸约为150 000 x 140),系统过于确定 这里有一些即兴的技巧,可以大大加快对指定维度的随机数据的计算速度 不过,我不知道这在数字上听起来有多像
import numpy as np
from time import perf_counter
def lstsq(A, b):
AA = A.T @ A
bA = b @ A
D, U = np.linalg.eigh(AA)
Ap = (U * np.sqrt(D)).T
bp = bA @ U / np.sqrt(D)
return np.linalg.lstsq(Ap, bp, rcond=None)
# create random data
A = np.random.random((150_000, 140))
b = np.random.random((150_000,))
# use solver directly
t = perf_counter()
x, *info = np.linalg.lstsq(A, b, rcond=None)
s = perf_counter()
print('direct method: ', s-t, 'seconds')
# use equivalent reduced system
t = perf_counter()
x_acc, *info_acc = lstsq(A, b)
s = perf_counter()
print('accelerated method:', s-t, 'seconds')
print('results equal:', np.allclose(x, x_acc))
样本运行:
direct method: 3.032766239999546 seconds
accelerated method: 0.20947745100056636 seconds
results equal: True
如果系数矩阵稀疏,请使用“scipy.sparse.linalg”中的“spsolve”。请添加更多信息。维度,密集与稀疏,结构…好的,完成了。如果是稀疏的。