python生成三对角矩阵,python - Numba nopython模式的三对角矩阵算法 - SO中文参考 - www.soinside.com...

问题是你有2D数组但索引并分配它们就像它们是一维数组一样。因此，在将它们传递给numba函数之前，你可以只使用ravel()。我不确定这是否真的正确 - 但为了这个答案的目的，我认为它是。

此外，你不需要复制a和c，因为你不修改它们，你实际上只需要复制b和d的第一个元素。

所以工作函数可能如下所示：

import numba as nb

import numpy as np

@nb.njit

def TDMA(a,b,c,d):

n = len(d)

x = np.zeros(n)

bc = np.zeros(len(b))

bc[0] = b[0]

dc = np.zeros(len(d))

dc[0] = d[0]

for i in range(1, n):

w = a[i - 1] / bc[i - 1]

bc[i] = b[i] - w * c[i - 1]

dc[i] = d[i] - w * dc[i - 1]

x[n - 1] = dc[n - 1] / bc[n - 1]

for k in range(n - 2, -1, -1):

x[k] = (dc[k] - c[k] * x[k + 1]) / bc[k]

return x

你这样称呼它：

TDMA(a.ravel(), b.ravel(), c.ravel(), B.ravel())

因为我使用了ravel()，结果与np.linalg.solve的形状不同：

by default solver, x1 = [[ 3.05427975]

[-0.13569937]

[-0.18789144]

[ 4.03757829]]

by TDMA, x2 = [ 3.05427975 -0.13569937 -0.18789144 4.03757829]

但是我真的不会重新实现NumPy函数，除非你可以利用NumPy函数不知道的数据中的某些结构。 NumPy是一个高性能的库，它已经使用了非常精细的实现，所以偶然的重新实现可能只会对极小的数据集更快，或者你可以利用一些关于你的数据的事实(这允许一个非常高性能的算法) )。

我不得不承认我不知道“三对角矩阵算法”，但我知道一些BLAS libraries(通常是令人难以置信的快速数学库)实现它。 NumPy使用BLAS。

然而，SciPy为特殊矩阵类型提供了一些(非常快速的)特殊线性代数求解器：

inv(a[, overwrite_a, check_finite])计算矩阵的逆矩阵。

solve(a, b[, sym_pos, lower, overwrite_a, …])求解方程a矩阵的未知x的线性方程组a * x = b。

solve_banded(l_and_u, ab, b[, overwrite_ab, …])假设a是带状矩阵，求解方程a x = b表示x。

solveh_banded(ab, b[, overwrite_ab, …])求解方程a x = b。

solve_circulant(c, b[, singular, tol, …])求x对于C x = b，其中C是循环矩阵。

solve_triangular(a, b[, trans, lower, …])假设a是三角矩阵，求解方程a x = b表示x。

solve_toeplitz(c_or_cr, b[, check_finite])使用Levinson Recursion解决Toeplitz系统问题

[...]

关于你与map的问题：现任官方list of supported built-in functions不包括map。所以你不能在Numbas nopython模式中使用map。