Numpy 如何矢量化喷溅矢量的处理

我有一个数字向量（这里是随机的）。我想计算向量中每个数字左右两侧的连续关系（这里的意思是澄清示例）

下面是一个程序示例。我对矢量化的形式感兴趣

从numpy.random导入
将numpy作为np导入
数字=兰特（40）
k=np.零（数字.形状）
对于范围内的i（*编号.形状）：
k[i]=np.mean（数字[：i]）/np.mean（数字[i:]）

---

此示例将在第一次迭代中返回nan，但现在不是问题。

这里是一种矢量化方法-

n = len(numbers)    
fwd = numbers.cumsum()/np.arange(1,n+1)
bwd = (numbers[::-1].cumsum()[::-1])/np.arange(n,0,-1)
k_out = np.r_[np.nan,fwd[:-1]]/bwd

用一个

cumsum

再优化一点，它将是-

n = len(numbers)
r = np.arange(1,n+1)

c = numbers.cumsum()
fwd = c/r
b = c[-1]-c
bwd = np.r_[1,b[:-1]]/r[::-1]
k_out = np.r_[np.nan,fwd[:-1]]/bwd

---

我花了一些时间，有一个简单而通用的解决方案：numpy.vectorize with

excluded

参数，其中指定要拆分的向量必须从矢量化中排除。该示例仍使用np.mean，但可替换为任何函数：

def分割平均值（向量，i）：
返回np.mean（向量[：i]）/np.mean（向量[i:]）
v_分割平均值=np.矢量化（分割平均值）
v_分割_平均值。排除。添加（0）
数字=np.rand.rand（30）
索引=np.arange（*数字.shape）
v_分割平均值（数字、指数）

解决方案取决于要计算的操作的精确性质。如果这是方法，如您的示例中所示，那么Divakar已经发布了一个解决方案。但是，如果您的操作不同，并且这只是一个示例，那么解决方案就会不同（如果可能的话）。对于那个“问题类型”并没有通用的好的解决方案，但它只解决了这个具体的例子。事实上，我问的是分裂向量左右两侧的连续关系。我给出了

mean

以创建可复制且简单的示例。所以我假设没有通用的解决方案，或者根本没有@jdehesa的解决方案suggest@jarekj71没有神奇的解决方案可以解决任何一般问题。这都是个案分析的基础。

np.vectorize

如何改进现有的for循环？正如文档中指出的那样，

np.vectorize

基本上是在引擎盖下循环的，我会惊讶地看到任何明显的改进。