最快评估SymPy表达式数组：eval与lambify对比及向量化方案

我有一个包含SymPy表达式的数组，示例如下：

np.Array([A + B, C + D - 2.0*E + 10, ...])

表达式会动态变化，且执行效率至关重要。我已掌握A、B、C、D等变量的取值，存储于字典中，变量值为可迭代对象，例如A = [1,2,3,4]。

请问：

1. 评估每个表达式的最快方式是什么？
2. eval与lambify哪个速度更快？
3. 是否存在向量化实现方法？

一、最快评估方式 #

优先使用SymPy的lambify结合NumPy向量化运算，这是此类场景下效率最高的方案之一。lambify能将SymPy表达式直接转换为NumPy兼容的函数，天然支持向量化输入，无需循环遍历数组中的每个表达式。

二、eval vs lambify速度对比 #

• lambify速度远快于eval：
  • eval是通用的字符串解析执行工具，每次调用都要重新解析表达式，且无法利用NumPy的向量化优化，循环处理每个表达式时开销极大。
  • lambify会预先将SymPy表达式编译为底层的NumPy（或其他后端如numba）函数，执行时直接调用编译后的代码，完全避开字符串解析的开销，还能充分利用CPU的向量化指令。
    实测显示，处理批量可迭代变量时，lambify的执行速度通常是eval的几十到上百倍。

三、向量化实现方法 #

直接用lambify生成支持NumPy数组的函数，结合变量的数组形式实现全向量化计算，步骤如下：

1. 定义SymPy符号和表达式数组：

import sympy as sp
import numpy as np

A_sym, B_sym, C_sym, D_sym, E_sym = sp.symbols('A B C D E')
expr_array = np.array([A_sym + B_sym, C_sym + D_sym - 2.0*E_sym + 10])

2. 生成批量计算的向量化函数：

# 直接生成处理整个表达式数组的函数（SymPy 1.9+支持）
batch_func = sp.lambify((A_sym, B_sym, C_sym, D_sym, E_sym), expr_array, 'numpy')

3. 传入字典中的变量（需转为NumPy数组）：

var_dict = {
    'A': np.array([1,2,3,4]),
    'B': np.array([5,6,7,8]),
    'C': np.array([9,10,11,12]),
    'D': np.array([13,14,15,16]),
    'E': np.array([17,18,19,20])
}

# 全向量化计算所有表达式结果
results = batch_func(var_dict['A'], var_dict['B'], var_dict['C'], var_dict['D'], var_dict['E'])

如果追求极致性能，可结合numba后端编译机器码：

batch_func = sp.lambify((A_sym, B_sym, C_sym, D_sym, E_sym), expr_array, 'numba')

这种方式在大规模数据场景下能进一步提升计算速度。

内容的提问来源于stack exchange，提问作者Brayan Muñoz