library - python 3.6 math module
¿Hay una implementación fácilmente disponible de erf() para Python? (7)
Desde v.2.7. el módulo matemático estándar contiene la función erf . Esta debería ser la forma más fácil.
Puedo implementar la función de error, erf, yo mismo, pero preferiría no hacerlo. ¿Hay un paquete de Python sin dependencias externas que contenga una implementación de esta función? He encontrado this pero parece ser parte de un paquete mucho más grande (¡y ni siquiera está claro cuál!).
Para responder a mi propia pregunta, he terminado usando el siguiente código, adaptado de una versión de Java que encontré en otro lugar en la web:
# from: http://www.cs.princeton.edu/introcs/21function/ErrorFunction.java.html
# Implements the Gauss error function.
# erf(z) = 2 / sqrt(pi) * integral(exp(-t*t), t = 0..z)
#
# fractional error in math formula less than 1.2 * 10 ^ -7.
# although subject to catastrophic cancellation when z in very close to 0
# from Chebyshev fitting formula for erf(z) from Numerical Recipes, 6.2
def erf(z):
t = 1.0 / (1.0 + 0.5 * abs(z))
# use Horner''s method
ans = 1 - t * math.exp( -z*z - 1.26551223 +
t * ( 1.00002368 +
t * ( 0.37409196 +
t * ( 0.09678418 +
t * (-0.18628806 +
t * ( 0.27886807 +
t * (-1.13520398 +
t * ( 1.48851587 +
t * (-0.82215223 +
t * ( 0.17087277))))))))))
if z >= 0.0:
return ans
else:
return -ans
Recomiendo SciPy para funciones numéricas en Python, pero si quieres algo sin dependencias, aquí hay una función con un error de error menor a 1.5 * 10 -7 para todas las entradas.
def erf(x):
# save the sign of x
sign = 1 if x >= 0 else -1
x = abs(x)
# constants
a1 = 0.254829592
a2 = -0.284496736
a3 = 1.421413741
a4 = -1.453152027
a5 = 1.061405429
p = 0.3275911
# A&S formula 7.1.26
t = 1.0/(1.0 + p*x)
y = 1.0 - (((((a5*t + a4)*t) + a3)*t + a2)*t + a1)*t*math.exp(-x*x)
return sign*y # erf(-x) = -erf(x)
El algoritmo proviene de Handbook of Mathematical Functions , fórmula 7.1.26.
Se puede encontrar una implementación pura de Python en el módulo mpmath ( http://code.google.com/p/mpmath/ )
De la cadena de documentación:
>>> from mpmath import *
>>> mp.dps = 15
>>> print erf(0)
0.0
>>> print erf(1)
0.842700792949715
>>> print erf(-1)
-0.842700792949715
>>> print erf(inf)
1.0
>>> print erf(-inf)
-1.0
Para grandes x reales, /mathrm{erf}(x) aproxima a 1 muy rápidamente ::
>>> print erf(3)
0.999977909503001
>>> print erf(5)
0.999999999998463
La función de error es una función impar ::
>>> nprint(chop(taylor(erf, 0, 5)))
[0.0, 1.12838, 0.0, -0.376126, 0.0, 0.112838]
: func: erf implementa evaluación de precisión arbitraria y admite números complejos ::
>>> mp.dps = 50
>>> print erf(0.5)
0.52049987781304653768274665389196452873645157575796
>>> mp.dps = 25
>>> print erf(1+j)
(1.316151281697947644880271 + 0.1904534692378346862841089j)
Funciones relacionadas
Ver también: func: erfc , que es más preciso para x grande, y: func: erfi que da la antiderivada de /exp(t^2) .
Las integrales de Fresnel: func: fresnels y: func: fresnelc también están relacionadas con la función de error.
Te recomendaría que descargues numpy (para tener una matriz efficiant en python) y scipy (un sustituto de Matlab toolbox, que usa numpy). La función erf se encuentra en scipy.
>>>from scipy.special import erf
>>>help(erf)
También puede usar la función erf definida en pylab, pero esto es más útil para trazar los resultados de las cosas que calcula con numpy y scipy. Si desea una instalación todo en uno de este software, puede usar directamente la distribución de Python Enthought .
Tengo una función que hace 10 ^ 5 llamadas erf. En mi máquina ...
scipy.special.erf hace que el tiempo en 6.1s
erf Manual de funciones matemáticas toma 8.3s
erf Numerical Recipes 6.2 toma 9.5s
(promedios de tres carreras, código tomado de los carteles anteriores).
Una nota para aquellos que buscan un mayor rendimiento: vectorizar, si es posible.
import numpy as np
from scipy.special import erf
def vectorized(n):
x = np.random.randn(n)
return erf(x)
def loopstyle(n):
x = np.random.randn(n)
return [erf(v) for v in x]
%timeit vectorized(10e5)
%timeit loopstyle(10e5)
da resultados
# vectorized
10 loops, best of 3: 108 ms per loop
# loops
1 loops, best of 3: 2.34 s per loop