在循环内使用 scipy.interpolate 性能下降

Question

我正在使用 Python 为工程模拟生成输入数据。我需要定义某个物理量（我们称之为力）如何随时间变化。

力取决于一个已知的随时间变化的量（我们称之为角度）。对于每个时间步，力和角度之间的依赖关系是不同的。每个时间步的力角依赖性被定义为数据点，而不是函数。对于每个时间步，我需要从该时间步的力角依赖性中插入力的值。我在列表理解中使用scipy.interpolate.interp1d。

但是，我对表现不满意。插值循环需要将近 20 秒，速度慢得让人无法接受。时间步数约为 250k。力角相关性中的数据点数约为 2k。我尝试改用for 循环，但这更慢。

如何提高性能？如果可能，执行时间需要少于一秒。这里的代码不包含我使用的实际数据，但足够相似。

import numpy as np
import random
from scipy.interpolate import interp1d
import time

nTimeSteps = 250000
nPoints_forceAngleDependency = 2000

# Generating an example (bogus data)
angle = np.linspace(0., 2*np.pi, nPoints_forceAngleDependency)
forceAngleDependency_forEachTimeStep = [random.random() * np.sin(angle) for i in range(nTimeSteps)]
angleHistory = [random.random() * 2 * np.pi for i in range(nTimeSteps)]

# Interpolation
start = time.time()
forceHistory = [interp1d(angle, forceAngleDependency_forEachTimeStep[i])(angleHistory[i]) \
    for i in range(nTimeSteps)]
end = time.time()
print 'interpolation duration: %s s' % (end - start)

Answer 1

1. 使用np.random.random(size=nTineSteps)生成样本

2. 对于线性插值，使用numpy.interp 而不是interp1d。对于高阶样条插值，请使用 CubicSpline 或 make_interp_spline，并使用矢量化评估。