如果矩阵是可逆的，则辅因子与逆有关：
def matrix_cofactor(matrix):
return np.linalg.inv(matrix).T * np.linalg.det(matrix)
这样可以大大提高速度（对于50x50矩阵，约为1000倍）。主要原因是根本的：这是一种O(n^3)算法，而基于次要成绩的算法是O(n^5)。
这也可能意味着对于不可逆矩阵，也有一些聪明的方法可以计算辅因子（即，不使用上面使用的数学公式，而是使用其他等效定义）。
如果您坚持使用基于det的方法，则可以执行以下操作：
大部分时间似乎都在里面度过det。（检查line_profiler可以自己找到。）您可以尝试通过将Numpy与Intel MKL链接来加快这一部分的速度，但是除此之外，您还可以做很多事情。
您可以像这样加快代码的另一部分：
minor = np.zeros([nrows-1, ncols-1])
for row in xrange(nrows):
for col in xrange(ncols):
minor[:row,:col] = matrix[:row,:col]
minor[row:,:col] = matrix[row+1:,:col]
minor[:row,col:] = matrix[:row,col+1:]
minor[row:,col:] = matrix[row+1:,col+1:]
...
根据矩阵的大小，这将获得大约10-50％的总运行时间。原始代码具有Pythonrange和列表操作，这比直接切片索引慢。您也可以尝试变得更聪明，只复制实际更改的未成年人的部分 —但是，在完成上述更改之后，内部已花费了将近100％的时间，numpy.linalg.det因此无法进一步优化其他部分很有道理
602392714
清零编程群