Python np.meshgrid的循环计算是否可以矢量化？

我的代码中有一个部分，通过

for

循环，我将

np.meshgrid

应用于

my_数组

切片的结果分配到占位符

res_数组

，如下所示：

p = 360; q = 50; r = 50
my_array   =  np.random.rand(p, q, 2)
res_array  = np.zeros((p,q,r), dtype=np.float32)
for i in range(p):
   x, x_ = np.meshgrid(my_array[i,:,0], my_array[i,:,0])
   res_array[i] = (x_-x)

在我的代码中还有一些类似的操作，我必须运行代码几千次。因此，速度成为一个问题。我在想，如果我可以不使用

for

循环，我可以在这里节省一些时间，但是我自己无法做到

在没有for循环的情况下，如何实现这一点

编辑历史记录：

---

请注意，

my_数组[i，：，1]

不用于上述snipet中。类似地，在另一个代码块中使用

my_数组[I，：，1]

（此处未显示，但类似循环）。这就是我所说的“在我的代码中还有一些类似的操作…”

您可以这样做：

my_array=np.random.rand（p，q，2）
res_array=np.array（[x[1]-x[0]表示[np.meshgrid（my_array[i，：，0]，my_array[i，：，0]）表示范围（p）]中的i，np.float32）。重塑（p，q，r）

---

但是需要的时间比您多。

您可以将np.meshgrid重写为更快的低级numpy操作：

p=360；q=50；r=50
my_array=np.random.rand（p，q，2）
res_数组=np.zeros（（p，q，r），dtype=np.float32）
对于范围（p）内的i：
x=my_数组[None，i，：，0]。重复（q，轴=0）。重塑（q，q）
y=my_数组[None，i，：，0]。重复（q，轴=1）。重塑（q，q）
res_数组[i]=y-x

这个代码在我的机器上快了2倍。 Numba的

@njit

可以用来加速上述代码（同样快3倍），但使用它可以实现更高效的实现。这是：

@njit（parallel=True）
def fasterImpl（我的_数组，p，q，r）：
res_数组=np.zeros（（p，q，r））
对于prange中的i（p）：
对于范围（q）内的j：
对于范围（r）内的k：
res_数组[i，j，k]=my_数组[i，j，0]-my_数组[i，k，0]
返回res_数组
p=360；q=50；r=50
my_array=np.random.rand（p，q，2）
res_数组=fasterImpl（我的数组，p，q，r）

---

这个最终的实现比我机器上最初的实现快29倍

谢谢你。是的，我尝试了这个，但确实需要更长的时间。

我的_数组[I，：，1]

没有使用。这正常吗？你的意思是像

np.meshgrid（我的数组[i，：，0]，我的数组[i，：，1]）

？谢谢你指出我们的@Jerome。类似地，我在另一个代码块中使用

my_数组[I，：，1]

。这就是我所说的“在我的代码中还有一些类似的操作……”1/2@Jerome。谢谢你和我分享你的知识。与500次函数运行的基准测试相比，您的第一个实现已经为我提供了约5秒的速度优势。这对我很有帮助。2/2然而，当我尝试

Numba

实现时，它给了我一个错误“类型数组的未知属性“repeat”。对不起，我以前没有用过

Numba

。我知道你今天在这个问题上帮助了我。在那里，虽然我可以让代码运行，但没有任何明显的速度提升。我怀疑我是否正确使用了它。现在，我已经将基于

Numba

的函数放在计算器函数之外，然后调用它。@your_boy_gorja我编辑了关于您的编辑的代码，以便可以轻松编辑代码。新的numba实现不再使用

repeat

（问题可能与numba版本有关）。新的numba代码甚至更快。关于numba版本的计时，请注意第一次运行通常比较慢，因为numba必须编译它。您应该多次使用它，这样它才有用（您也可以在程序开始时调用该函数，以便在任何热路径之外对其进行编译）。此外，在您的机器上，

parallel=True

+

prange

可能速度较慢（请在没有测试的情况下进行测试）。