如何将多输入函数向量化，生成仅接收t参数的信号函数？

我有如下形式的信号原型函数：

def signal_prototype(t, A, f, p):
    return A*np.sin(2*np.pi*f*t+p)

我希望生成 signal_A、signal_B 等专用信号函数，使用方式如下：

signal_A = SOME_FUNCTION(signal_prototype, A=1, f=10000, p=0)
signal_B = SOME_FUNCTION(signal_prototype, A=1, f=10000, p=np.pi/4)
signal_C = SOME_FUNCTION(signal_prototype, A=1, f=10000, p=np.pi/2)
signal_D = SOME_FUNCTION(signal_prototype, A=1, f=10000, p=3*np.pi/4)

t = np.linspace(0,1e-3,100000)
X1 = signal_A(t)
X2 = signal_B(t)
X3 = signal_C(t)
X4 = signal_D(t)

我试过用np.vectorize，但没法传入固定参数，而且它可能不是最优方案。这些信号要作为复杂微分方程的输入，需要是仅接受t的函数形式；同时模型条件会动态变化，没法创建静态版本的函数。

你需要的是绑定固定参数生成新函数的能力，而非向量化工具，以下两种方案高效且适配你的需求：

方案1：使用functools.partial（推荐） #

functools.partial是Python标准库中专门用于绑定函数参数的工具，性能远优于np.vectorize：

import numpy as np
from functools import partial

def signal_prototype(t, A, f, p):
    return A*np.sin(2*np.pi*f*t+p)

# 绑定固定参数，生成仅接受t的信号函数
signal_A = partial(signal_prototype, A=1, f=10000, p=0)
signal_B = partial(signal_prototype, A=1, f=10000, p=np.pi/4)
signal_C = partial(signal_prototype, A=1, f=10000, p=np.pi/2)
signal_D = partial(signal_prototype, A=1, f=10000, p=3*np.pi/4)

# 测试调用
t = np.linspace(0,1e-3,100000)
X1 = signal_A(t)
X2 = signal_B(t)
X3 = signal_C(t)
X4 = signal_D(t)

方案2：自定义封装函数 #

如果需要更灵活的逻辑控制，可以自己写一个简单的封装函数：

import numpy as np

def signal_prototype(t, A, f, p):
    return A*np.sin(2*np.pi*f*t+p)

def create_signal_func(prototype, **fixed_params):
    def signal_func(t):
        return prototype(t, **fixed_params)
    return signal_func

# 生成专用信号函数
signal_A = create_signal_func(signal_prototype, A=1, f=10000, p=0)
signal_B = create_signal_func(signal_prototype, A=1, f=10000, p=np.pi/4)

# 测试
t = np.linspace(0,1e-3,100000)
X1 = signal_A(t)

重要说明 #

• np.vectorize的作用是将仅处理标量的函数包装成能处理数组的函数，本质是循环，性能差，和你需要的“绑定固定参数”完全不是一个场景，不建议使用。
• 上面两种方案生成的函数都原生支持numpy数组输入，返回数组结果，完全满足微分方程对性能的要求。
• 当模型条件变化时，只需重新调用partial或create_signal_func生成新函数即可，无需修改原型函数。

内容的提问来源于stack exchange，提问作者Kris Jensen