Как выполнить расчет биномиального коэффициента и факториала с большей точностью?
Я сравнивал результат моего следующего вычисления Python с Mathematica: https://www.wolframalpha.com/input?i=sum+%28500+choose+r+%29%28-1%29%5Er+%2F%28r%21%29+%2C+r%3D0+to+500
import numpy as np
from decimal import *
import scipy.special
from scipy.special import factorial
getcontext().prec = 30
i = 500
sum(np.array([scipy.special.comb(Decimal(i), (r), exact=True)*pow(-1, r)/Decimal(factorial(r, exact=False)) for r in range(i+1)]))
Оба вычисления дают почти одинаковое значение до i = 400, но после этого не сходятся, хотя я установил произвольную точность в своем коде Python через модуль decimal. Расчет с помощью Mathematica кажется правильным. Могу я узнать, как мы можем получить такой же результат в Python, как и в Mathematica, для большего i?
Почему в Python есть оператор "pass"?
Оператор pass в Python - это простая концепция, которую могут быстро освоить даже новички без опыта программирования.
Некоторые методы, о которых вы не знали, что они существуют в Python
Python - самый известный и самый простой в изучении язык в наши дни. Имея широкий спектр применения в области машинного обучения, Data Science,...
Основы Python Часть I
Вы когда-нибудь задумывались, почему в программах на Python вы видите приведенный ниже код?
LeetCode - 1579. Удаление максимального числа ребер для сохранения полной проходимости графа
Алиса и Боб имеют неориентированный граф из n узлов и трех типов ребер:
Оптимизация кода с помощью тернарного оператора Python
И последнее, что мы хотели бы показать вам, прежде чем двигаться дальше, это
Советы по эффективной веб-разработке с помощью Python
Как веб-разработчик, Python может стать мощным инструментом для создания эффективных и масштабируемых веб-приложений.
1
1
21
1
Перейти к ответу
Данный вопрос помечен как решенный
Ответы 1
Ответ принят как подходящий
Проблема в том, что у вас в факториале точное значение=ложь.
>>> import numpy as np
>>> from decimal import *
>>> import scipy.special
>>> from scipy.special import factorial
>>> getcontext().prec = 30
>>>
>>> i = 500
>>> sum(np.array([scipy.special.comb(Decimal(i), (r), exact=True)*pow(-1, r)/Decimal(factorial(r, exact=False)) for r in range(i+1)]))
Decimal('-7.13859062099388393889008217957')
>>> sum(np.array([scipy.special.comb(Decimal(i), (r), exact=True)*pow(-1, r)/Decimal(factorial(r, exact=True)) for r in range(i+1)]))
Decimal('0.196589352363439561009074161963')
Другие вопросы по теме
Повторение массивов различной длины и замена значений
Подсчет вхождений в определенном диапазоне
Извлечение нескольких наборов строк/столбцов из двумерного массива numpy
NumPy интерполирует между двумя двумерными массивами в разные моменты времени
Разница между cupy.asnumpy() и get()
Инициализация класса с вопросом массива numpy
Как уменьшить массив numpy до средних значений?
Сводная таблица Pandas. Как вычислить следующее соотношение по умолчанию?
Самый быстрый способ в numpy получить расстояние произведения n пар в массиве
Эффективный способ вычитания по определенному измерению в массиве numpy
Похожие вопросы
Повторение массивов различной длины и замена значений
Python gzip.open: zlib.error: Ошибка -3 при распаковке данных: слишком много символов длины или расстояния
Подсчет вхождений в определенном диапазоне
Списки, хранящиеся как значения в словаре переменной длины - как получить доступ ко всем последним элементам списка?
Разобрать текстовый файл в Pandas
Как разделить строку с помощью пробела и подчеркивания в Python
Как сравнить только дату или просто дату и время, игнорируя секунды в столбце данных Python Pandas смешанных типов данных?
Как найти количество секунд, прошедших с начала дня в фрейме данных pandas
Python вычисляет строки приращения до условия
ValueError с pandas применяет функцию, возвращающую вывод переменной формы
Обратите внимание, что факториал пересчитывается с нуля в цикле, что не очень эффективно. вы можете вычислить его самостоятельно или даже предварительно вычислить, создав список перед операцией. В этом случае это должно быть примерно в 10-20 раз быстрее. Почему вы используете
np.arrayздесь?sumPython уже хорошо справляется со своей задачей. Использование массива Numpy не сделает это быстрее (на самом деле это часто наоборот в таком случае) и здесь не удобнее.