有没有更快的方法将包含 mpf（mpmath 浮点数）的函数与 numpy 数组结合起来？

Question

我在 Python 中遇到了浮点数的准确性问题。我需要高精度，因为我想使用明确编写的球形贝塞尔函数 J_n (x)，如果使用 numpy 浮点数，它会偏离（特别是对于 n>5）低 x 值的理论值（ 15 位精确数字）。

我尝试了很多选项，尤其是 mpmath 和 sympy，以便保持更精确的数字。在将函数内部的 mpmath 的准确性与 numpy 数组相结合时，我遇到了问题，直到我知道存在函数 numpy.vectorize。最后我得到了我最初问题的解决方案：

import time
% matplotlib qt
import scipy
import numpy as np
from scipy import special
import matplotlib.pyplot as plt
from sympy import *
from mpmath import *
mp.dps=100


#explicit inaccurate
def bessel6_expi(z):
    return -((z**6-210*z**4+4725*z**2-10395)*np.sin(z)+(21*z**5-1260*z**3+10395*z)*np.cos(z))/z**7

#explicit inaccurate 1, computation time increases, a bit less inaccuracy
def bessel6_exp1(z):
    def bv(z):
        return -((z**6-210*z**4+4725*z**2-10395)*mp.sin(z)+(21*z**5-1260*z**3+10395*z)*mp.cos(z))/z**7
    bvec=np.vectorize(bv)
    return bvec(z)

#explicit accurate 2, computation time increases markedly, accurate
def bessel6_exp2(z):
    def bv(z):
        return -((mpf(z)**mpf(6)-mpf(210)*mpf(z)**mpf(4)+mpf(4725)*mpf(z)**mpf(2)-mpf(10395))*mp.sin(mpf(z))+(mpf(21)*mpf(z)**mpf(5)-mpf(1260)*mpf(z)**mpf(3)+mpf(10395)*mpf(z))*mp.cos(mpf(z)))/mpf(z)**mpf(7)
    bvec=np.vectorize(bv)
    return bvec(z)

#explicit accurate 3, computation time increases markedly, accurate
def bessel6_exp3(z):
    def bv(z):
        return -((mpf(z)**6-210*mpf(z)**4+4725*mpf(z)**2-10395)*mp.sin(mpf(z))+(21*mpf(z)**5-1260*mpf(z)**3+10395*mpf(z))*mp.cos(mpf(z)))/mpf(z)**7
    bvec=np.vectorize(bv)
    return bvec(z)

#implemented in scipy, accurate, fast
def bessel6_imp(z):
    def bv(z):
        return scipy.special.sph_jn(6,(z))[0][6] 
    bvec=np.vectorize(bv)
    return bvec(z)

a=np.arange(0.0001,17,0.0001)

plt.figure()
start = time.time()
plt.plot(a,bessel6_expi(a),'b',lw=1,label='expi')
end = time.time()
print(end - start)

start = time.time()
plt.plot(a,bessel6_exp1(a),'m',lw=1,label='exp1')
end = time.time()
print(end - start)

start = time.time()
plt.plot(a,bessel6_exp2(a),'c',lw=3,label='exp2')
end = time.time()
print(end - start)

start = time.time()
plt.plot(a,bessel6_exp2(a),'y',lw=5,linestyle='--',label='exp3')
end = time.time()
print(end - start)

start = time.time()
plt.plot(a,bessel6_imp(a),'r',lw=1,label='imp')
end = time.time()
print(end - start)

plt.ylim(-0.5/10**7,2.5/10**7)
plt.xlim(0,2.0)
plt.legend()

plt.show()

我现在遇到的问题是，仅仅为了绘制明确、准确的图，它需要相当长的时间（比 mp.dps=100 的 scipy 函数慢大约 31 倍）。较小的 dps 不会使这些过程更快，即使使用 mp.dps=15，它们仍然慢 26 倍。有没有办法让它更快？

Answer 1

请注意，您在零附近观察到的准确性损失来自这样一个事实，即您减去两个几乎相等的形式 10395 z^-6 + O(z^-4)。由于真实值为 1/135135 z^6 + O(z^8)，您的准确性将损失 ~1.4 x 10^9 z^-12 倍。因此，如果您想将 z=0.01 处的值计算为 7 位小数，则需要以 >40 位小数精度开始。

解决办法当然是避免这种取消。实现此目的的直接方法是计算 0 附近的幂级数。

您可以使用sympy获得幂级数：

>>> z = sympy.Symbol('z')
>>> f = -((z**6-210*z**4+4725*z**2-10395)*sympy.sin(z)+(21*z**5-1260*z**3+10395*z)*sympy.cos(z))/z**7
>>> f.nseries(n=20)
z**6/135135 - z**8/4054050 + z**10/275675400 - z**12/31426995600 + z**14/5279735260800 - z**16/1214339109984000 + z**18/364301732995200000 + O(z**20)

对于小 z 来说，少量的术语似乎足以获得良好的准确性。

>>> ply = f.nseries(n=20).removeO().as_poly()
>>> float(ply.subs(z, 0.1))
7.397541093587708e-12

您可以导出系数以用于 numpy。

>>> monoms = np.array(ply.monoms(), dtype=int).ravel()
>>> coeffs = np.array(ply.coeffs(), dtype=float)
>>> 
>>> (np.linspace(-0.1, 0.1, 21)[:, None]**monoms * coeffs).sum(axis=1)
array([7.39754109e-12, 3.93160564e-12, 1.93945374e-12, 8.70461282e-13,
       3.45213317e-13, 1.15615481e-13, 3.03088138e-14, 5.39444356e-15,
       4.73594159e-16, 7.39998273e-18, 0.00000000e+00, 7.39998273e-18,
       4.73594159e-16, 5.39444356e-15, 3.03088138e-14, 1.15615481e-13,
       3.45213317e-13, 8.70461282e-13, 1.93945374e-12, 3.93160564e-12,
       7.39754109e-12])

有没有更快的方法将包含 mpf（mpmath 浮点数）的函数与 numpy 数组结合起来？

Is there a faster way of combining functions containing mpf (mpmath floats) with numpy arrays?

python

performance

numpy

floating-point

mpmath