在 pandas/python 中加速 newton-raphson

Question

我目前正在迭代一个非常大的数据集 ~85GB（~600M 行），并简单地使用 newton-raphson 来计算一个新参数。截至目前，我的代码非常慢，关于如何加快速度的任何提示？ BSCallClass 和 BSPutClass 的方法是封闭形式的，所以没有什么可以真正加快速度。谢谢。

class NewtonRaphson:

    def __init__(self, theObject):
        self.theObject = theObject

    def solve(self, Target, Start, Tolerance, maxiter=500):
        y = self.theObject.Price(Start)
        x = Start
        i = 0
        while (abs(y - Target) > Tolerance):
            i += 1
            d = self.theObject.Vega(x)
            x += (Target - y) / d
            y = self.theObject.Price(x)
            if i > maxiter:
                x = nan
                break
        return x

    def main():
        for row in a.iterrows():
            print row[1]["X.1"]
            T = (row[1]["X.7"] - row[1]["X.8"]).days
            Spot = row[1]["X.2"]
            Strike = row[1]["X.9"]
            MktPrice = abs(row[1]["X.10"]-row[1]["X.11"])/2
            CPflag = row[1]["X.6"]

            if CPflag == 'call':
                option = BSCallClass(0, 0, T, Spot, Strike)
            elif CPflag == 'put':
                option = BSPutClass(0, 0, T, Spot, Strike)

            a["X.15"][row[0]] = NewtonRaphson(option).solve(MktPrice, .05, .0001)

编辑：

对于那些好奇的人，我最终通过使用 scipy 建议以及使用多处理模块显着加快了整个过程。

Answer 1

不要在 Python 中编写自己的 Newton-Raphson 方法。使用root finders in scipy.optimize 之一，例如brentq 或newton，您将获得更好的性能。 （大概，如果你有pandas，你也会安装scipy。）

---

信封计算：

对 brentq 的 600M 调用应该可以在标准硬件上进行管理：

import scipy.optimize as optimize
def f(x):
    return x**2 - 2

In [28]: %timeit optimize.brentq(f, 0, 10)
100000 loops, best of 3: 4.86 us per loop

因此，如果每次调用 optimize.brentq 需要 4.86 微秒，那么 6 亿次调用将需要大约 4.86 * 600 ~ 3000 秒 ~ 1 小时。

---

newton 可能会更慢，但仍然可以管理：

def f(x):
    return x**2 - 2
def fprime(x):
    return 2*x

In [40]: %timeit optimize.newton(f, 10, fprime)
100000 loops, best of 3: 8.22 us per loop