如何加快有許多變數賦值的Python代碼的速度

我正在處理下面這段代碼，它創建了一個numpy陣列，并使用許多變數賦值來完成。這段代碼是由Maple優化生成的，這導致了大量的變數賦值。這段代碼來自于非常復雜的數學，Maple不可能對其進行進一步簡化。

 from math import sin, cos
    import numpy as np

    def __calc_tau(self, q, s_dot_v, omega_dot_ref, f_th, qm_ddot_ref) 。
        SC_param_est = self.SC_param_est
        SC_param = self.SC_param

        t1 = SC_param[3]   SC_param_est[0]   SC_param[10]   SC_param[9]   SC_param[8]
        t2 = cos(q[9] )
        t3 = sin(q[9] )
        t4 = SC_param[38] - SC_param[41]
        t5 = SC_param[35] - SC_param[38]   SC_param[40]
        t6 = t2 * SC_param_est[7]
        t7 = t3 * SC_param_est[9]
        t8 = t5 * SC_param[10]
        t9 = (-t6   t4 - t7) * SC_param_est[0]
        t10 = SC_param[32] * SC_param[9]
        ...
        t638 = ...
        MCQ = np. array([[t1, 0, 0, 0, t37, t54。T54, -T127, T61, -T128, 0, -T126, T125, 0, -T91, -T106, -T106,
                         -t45 * t108 * s_dot_v[6] - t46 * t91, -t114 * t45 - t16 * t46,
                         -(t123 * t45   t46 * t78) * SC_param_est[0], SC_param[7] * t124 * t1] 。
                        [0, t1, 0, -t31, 0, -t51, -t51, -t56, -t38, -t68, t126, 0, -t134, t129, 0, t131, t131,
                         t46 * t108 * s_dot_v[6] - t45 * t91, t114 * t46 - t16 * t45。
                         -SC_param_est[0] * (-t123 * t46   t45 * t78), -t135 * t133 * t1], t86, t34, t36, t35,
                        [t54, -t51, 0, -t300, -t58, t89, t89, t115, t121, -t69, -t106, t131, 0, t450, t43, t55。
                         t55, t170, t76, t239, -t47], t10, t5, t2], dtype='float64'/span>)

我用timeit測量了我的程式各部分的執行時間，這似乎是一個瓶頸，執行時間約為3ms（Intel i7-8565U @ 1.8 GHz）。

有什么適當的方法來加快這個速度嗎？

uj5u.com熱心網友回復：

許多賦值不是問題，而是在每種情況下計算的內容，然后分配給變數。

從我所看到的，有很多數學函式，如sin，cos和點積。我認為這些函式可能是你的瓶頸。也許你可以嘗試減少這些操作的數量，以加快你的函式。

uj5u.com熱心網友回復：

經過進一步的研究和測驗，我找到了一個解決方案。使用numba包，以下代碼對我來說是有效的：

from numba import jit @jit def calc_MCQ_numba(SC_param, SC_param_est, q, s_dot_v) 。 t1 = SC_param[3] SC_param_est[0] SC_param[10 ] SC_param[9] SC_param[8] t2 = np.cos(q[9] ) t3 = np.sin(q[9] ) t4 = SC_param[38] - SC_param[41] t5 = SC_param[35] - SC_param[38] SC_param[40] t6 = t2 * SC_param_est[7] t7 = t3 * SC_param_est[9] ... return np. array([[t1, 0, 0, 0, t37, t54。T54, -T127, T61, -T128, 0, -T126, T125, 0, -T91, -T106, -T106, -t45 * t108 * s_dot_v[6] - t46 * t91, -t114 * t45 - t16 * t46, -(t123 * t45 t46 * t78) * SC_param_est[0], SC_param[7] * t124 * t1] 。 [0, t1, 0, -t31, 0, -t51, -t51, -t56, -t38, -t68, t126, 0, -t134, t129, 0, t131, t131, t46 * t108 * s_dot_v[6] - t45 * t91, t114 * t46 - t16 * t45。 -SC_param_est[0] * (-t123 * t46 t45 * t78), -t135 * t133 * t1], t86, t34, t36, t35, [t54, -t51, 0, -t300, -t58, t89, t89, t115, t121, -t69, -t106, t131, 0, t450, t43, t55。 t55, t170, t76, t239, -t47], t10, t5, t2], dtype='float64'/span>)

使用這個函式，第一次執行代碼需要很長的時間（在我的機器上大約25秒），但每次函式被再次呼叫時都非常快。我成功地得到了10μs的執行時間--與我的第一個結果相比，這是很驚人的。

標籤：

上一篇：如何加快WindowsDocker中nginx的加載速度？

下一篇：在python中查找特征向量中心性