我目前正在优化我的代码的运行时，但它仍然不在我希望的时间消耗范围内。（）在执行高斯求积时，对我的渐近矩阵表达式进行计算，并对所得的lambda函数**进行求值。代码的所有其他方面都得到了充分优化，因此，我希望有人能帮助我优化我的代码中的“瓶颈”，即对sympy表达式进行lambifying和求值。
代码是在64位Windows 7机器上使用Python 3.5.2（下面的示例说明了代码，在Jupyter QtConsole上执行）和以下模块版本编写的：

• 症状：1.0
• 麻木：1.11.1
• 数字：0.27

Lambdify（第一页）

我认为lambdify（）使用大量时间的原因是symmy表达式的复杂性（它涉及symy Piecewise（）表达式的乘法）。这些表达式的简化是不可能的，因为它们是使用标准Alpert算法从勒让德尺度函数创建的小波函数。下面给出了这样一个矩阵的较小示例以及与lambdify一个“更简单”矩阵的时间比较：

from sympy import *
import numpy as np
import timeit

xi1 = symbols('xi1')
xi2 = symbols('xi2')
M = Matrix([[-0.0015625*(3.46410161513775*(0.00624999999999998*xi2 - 
           0.99375)*Piecewise((-1, 0.00624999999999998*xi2 - 0.99375 >= 0), 
           (1, 0.00624999999999998*xi2 - 0.99375 < 0)) + 
           1.73205080756888)*Piecewise((1, And(0.00624999999999998*xi2 - 
           0.99375 <= 1, 0.00624999999999998*xi2 - 
           0.99375 >= -1)), (0, True))], 
          [-0.00156249999999999*(0.0187499999999999*xi2 + 2.0*Piecewise((-1, 
           0.00624999999999998*xi2 - 0.99375 >= 0), (1, 
           0.00624999999999998*xi2 - 0.99375 < 0)) - 2.98125)*Piecewise((1, 
           And(0.00624999999999998*xi2 - 0.99375 <= 1, 
           0.00624999999999998*xi2 - 0.99375 >= -1)), (0, True))], 
          [-0.00270632938682636*xi1*(3.46410161513775*
           (0.00624999999999998*xi2 - 0.99375)*Piecewise((-1, 
           0.00624999999999998*xi2 - 0.99375 >= 0), (1, 
           0.00624999999999998*xi2 - 0.99375 < 0)) + 
           1.73205080756888)*Piecewise((1, And(0.00624999999999998*xi2 - 
           0.99375 <= 1, 0.00624999999999998*xi2 - 0.99375 >= -1)), (0, 
           True))]])
M_simpl = Matrix([(xi2**2),(xi2**2)*xi1,(xi2**2)*(xi1**2)])

时间比较得出：

import timeit

%timeit lambdify([xi1,xi2], M, 'numpy')
10 loops, best of 3: 23 ms per loop
%timeit lambdify([xi1,xi2], M_simpl, 'numpy')
100 loops, best of 3: 2.47 ms per loop

这表明，处理更复杂的表达式比处理更简单的Matrix慢近10倍，这在使用lambdify（）被应用于这些类型的矩阵中的几个。研究我所了解到的更快的ufunction的主题（）函数，它似乎在使用Fortran或C后端时工作得最好。然而，在我的情况下，这不是最好的选择，由于该函数尚未扩展到sympy Matrices，我希望代码足够通用。其他Windows用户修改代码时不需要安装C编译器等。那么，是否可以在不使用其他编译器的情况下，提高这些类型sympy表达式的lambdify（）函数的速度？

Lambda函数求值

当在特定坐标下求值时，上述渐近矩阵的λ函数也会表现出不同的性能。下面的简单5点求积示例说明了这一点：

# Quadrature coordinates
xi_v = np.array([[-1,-1], [-0.5,-0.5], [0,0], [0.5,0.5], [1,1]])
# Quadrature weights
w = np.array([3, 2, 1, 2, 3])

# Quadrature
def quad_func(func, xi_v, w):
    G = np.zeros((3, 1))
    for i in range(0, len(w), 1):
        G += w[i]*func(*xi_v[i,:])
    return G

# Testing time usage
f = lambdify([xi1,xi2], M, 'numpy')
%timeit quad_func(f, xi_v, w)
1000 loops, best of 3: 852 µs per loop
f_simpl = lambdify([xi1,xi2], M_simpl, 'numpy')
%timeit quad_func(f_simpl, xi_v, w)
10000 loops, best of 3: 33.9 µs per loop

我的第一React是从numba模块中引入jit来加快计算速度，然而，这导致了一个弹出窗口，声明python已经停止工作，内核被重新启动（f和f_simple都会发生）：

import numba

quad_func_jit = numba.jit(quad_func)
quad_func_jit(f, xi_v, w)

Kernel died, restarting

那么，有没有办法加快这些lambda函数的求值，以减少总的运行时间？或者有没有办法避免numba.jit崩溃？