如何将此代码从python循环重写为numpy向量（用于性能）？

我有以下代码：

for j in xrange (j_start, self.max_j):
   for i in xrange (0, self.max_i):
      new_i = round (i + ((j - j_start) * discriminant))
      if new_i >= self.max_i:
         continue 
      self.grid[new_i, j] = standard[i]

我想通过扔掉缓慢的本地python循环来加速它。有可能改用numpy向量运算，它们非常快。怎么做

j_start, self.max_j, self.max_i, discriminant

int，int，int，float（常量）

二维numpy数组（self.max_i x self.max_j）

---

一维numpy数组（self.max_i）。

这是一个完整的解决方案，也许会有所帮助

jrange = np.arange(self.max_j - j_start)
joffset = np.round(jrange * discriminant).astype(int)
i = np.arange(self.max_i)

for j in jrange:
    new_i = i + joffset[j]
    in_range = new_i < self.max_i
    self.grid[new_i[in_range], j+j_start] = standard[i[in_range]]

jrange=np.arange（self.max\u j-j\u start）
joffset=np.round（jrange*discriminant）.astype（int）
i=np.arange（自最大值i）
对于jrange中的j：
new_i=i+joffset[j]
in_range=新_i

这两个循环都可以矢量化，但我认为这会很棘手

---

我没有对此进行测试，但我相信它计算的结果与您的代码相同。

不幸的是，它更复杂：（感谢您的贡献，但它对我没有帮助。您在解决方案中寻找什么？任何东西的矢量化的通用方法“超出了讨论的范围”。我更新了解决方案，使其与您的代码一样（我认为）。这有帮助吗？好的，thx u.-）它在最后一行仍然告诉“IndexError:用作索引的数组必须是整数（或布尔）类型”，但现在它可能会帮助我。我想我稍后会接受你的回答，当我解决这个任务时。我在np.round调用中添加了一个对astype（int）的调用。这应该可以解决这个问题。

standard

jrange = np.arange(self.max_j - j_start)
joffset = np.round(jrange * discriminant).astype(int)
i = np.arange(self.max_i)

for j in jrange:
    new_i = i + joffset[j]
    in_range = new_i < self.max_i
    self.grid[new_i[in_range], j+j_start] = standard[i[in_range]]