我有一个相当复杂的计算代码，我正在尝试加速和实现多线程。为了优化代码，我试图确定哪些函数使用时间最长或被调用最多。
我之前还没有真正分析过代码，所以我可能会丢失一些东西。但是，我知道由于LLVM的重新编译，许多现有的分析模块实际上不能与numba的njit（）装饰器配合使用。
所以我的问题是：配置代码的最佳方法是什么，其中大多数函数具有njit（）装饰器，并带有一些非固定控件功能？
我之前遇到过data_profiler，但是它似乎不再位于conda存储库中，并且我不知道如何从conda中的源代码构建它，或者它是否仍与其依赖关系的现代版本兼容。
所以，我正在涉足等离子体模拟的世界。现在，虽然我知道顶级模拟是用 Fortran 编写的，并且具有超内存效率的子例程和专用代码，但我希望只运行一些低级模拟。
我的问题是，在时变环境（好吧，时间步进）中模拟大量粒子时，跟踪所有数据是一个技巧。我之前使用过多维数组——使用粒子的列号和属性的行号，但是这感觉很笨拙。然而，它似乎执行得更快。
我最近尝试定义我自己的类，但是作为一个 Python 新手，我可能以一种非常低效的方式做到了。对于 3 维中的每个粒子，我需要能够存储粒子的位置、速度和力（一旦代码变得更复杂，就有可能添加更多变量）。使用我对类的了解，我定义了一个particle对象（我认为），它使我的代码更易于阅读和遵循：
# Define Particle as a class
class particle():
def __init__(self, index=0, pos=np.array([0, 0, 0]), vel=np.array([0,0,0]),
F=np.array([0, 0, 0])):
self.index = index # Particle index (identifier)
self.pos = pos # Position 3-vector
self.vel = vel # Velocity 3-vector
self.F = F # Net force 3-vector (at particle)
因此，我可以轻松地初始化包含大量这些对象的数组，并以相当简单的方式修改每个值。然而，正如我所提到的，这对于仅涉及少数粒子的模拟运行速度较慢。我将使用我的代码将其与纯粹面向矩阵的方法进行比较，以查看哪种方法在大型模拟中的扩展性更好。
我想我的问题是：以这种方式定义“粒子”是最有效的吗？或者是否有更高效的 CPU/内存方式来定义这样的对象。我想保留它的方法能力（即particle[i].pos = [1,2,3]或particle[2].vx[1] = 3），以便我可以为每个粒子设置值，并将它们传递给函数。请记住，我是 Python 新手，所以我可能不会在大型复杂代码上取得巨大成功。
为了在1D阵列上进行希尔伯特变换,必须:
我正在使用PyCuLib进行FFT.我的代码到目前为止
def htransforms(data):
N = data.shape[0]
transforms = nb.cuda.device_array_like(data) # Allocates memory on GPU with size/dimensions of signal
transforms.dtype = np.complex64 # Change GPU array type to complex for FFT
pyculib.fft.fft(signal.astype(np.complex64), transforms) # Do FFT on GPU
transforms[1:N/2] *= 2.0 # THIS STEP DOESN'T WORK
transforms[N/2 + 1: N] = 0+0j # NEITHER DOES THIS ONE
pyculib.fft.ifft_inplace(transforms) # Do IFFT on GPU: in place (same memory)
envelope_function = transforms.copy_to_host() # Copy results to host (computer) memory …首先,我想为措辞严厉的标题道歉 - 我目前无法想到一个更好的方式来表达它.基本上,我想知道是否有更快的方法在Python中实现数组操作,其中每个操作以迭代方式依赖于先前的输出(例如,前向差分操作,过滤等).基本上,操作的形式如下:
for n in range(1, len(X)):
Y[n] = X[n] + X[n - 1] + Y[n-1]
X值的数组在哪里,Y是输出.在这种情况下,Y[0]假设在上述循环之前单独知道或计算.我的问题是:是否有NumPy功能来加速这种自引用循环？这是几乎所有脚本的主要瓶颈.我知道NumPy例程可以从C例程执行中受益,所以我很好奇是否有人知道任何有助于此的numpy例程.否则,是否有更好的方法来编程这个循环(在Python中),这将加速其对大数组大小的执行？(> 500,000个数据点).