如何优化这个简单但缓慢的Python'；对于'；环

基本上，我有一个函数，对于每一行，一次对上面的一个额外值求和，直到总和达到给定的阈值。一旦达到给定的阈值，它将获取生成的切片索引并使用它返回另一列切片的平均值

import numpy as np

#Random data:
values = np.random.uniform(0,10,300000)
values2 = np.random.uniform(0,10,300000)
output = [0]*len(values)

#Function that operates one one single row and returns the mean
def function(threshold,row):
    slice_sum=0
    i=1
    while slice_sum < threshold:
        slice_sum = values[row-i:row].sum()
        i=i+1        
    mean = values2[row-i:row].mean()
    return mean


#Loop to iterate the function row by row:
for i in range(15,len(values)): #let's just skip the first 15 values, otherwise the loop might get stuck. This issue is not prioritary though.
    output[i] = function(40,i)

将numpy导入为np
#随机数据：
数值=np.随机均匀（0,10300000）
值2=np.随机均匀（0,10300000）
输出=[0]*len（值）
#操作一行并返回平均值的函数
def功能（阈值，行）：
切片总和=0
i=1
当切片和<阈值时：
slice_sum=值[row-i:row].sum（）
i=i+1
平均值=值2[第i行：第2行]。平均值（）
回归均值
#循环以逐行迭代函数：
对于范围内的i（15，len（values））：#让我们跳过前15个值，否则循环可能会卡住。但这个问题并不是首要问题。
输出[i]=函数（40，i）

这是循环的简化版本。它可能看起来不慢，但从所有意图和实际目的来看，它都非常慢。所以我想知道是否有一种更快的方法可以在没有for循环的情况下实现这一点

---

谢谢

您无需每次通过循环重新计算总和。您从

值[row-1:row]

（单个值）开始，如果该值足够小，则添加一个附加值。与其一次又一次地对相同的值重新求和，不如用下一个值来增加上一个和

def function(threshold, row):
    slice_sum = 0
    for i in range(1, len(values)+1):
        slice_sum += values[row-i]
        if slice_sum >= threshold:
            break
    return values2[row-i-1:row].mean()

---

这将加法运算的数量从O（n^2）减少到O（n）。

您无需每次通过循环重新计算总和。您从

值[row-1:row]

（单个值）开始，如果该值足够小，则添加一个附加值。与其一次又一次地对相同的值重新求和，不如用下一个值来增加上一个和

def function(threshold, row):
    slice_sum = 0
    for i in range(1, len(values)+1):
        slice_sum += values[row-i]
        if slice_sum >= threshold:
            break
    return values2[row-i-1:row].mean()

---

这会将加法操作的数量从O（n^2）减少到O（n）。

使用基于

值的累积和排序的searchsorted直接导航到下一个组。这将为您提供O（n log n）性能，其中n是值中的组数：

import numpy as np

def meanBlocks(values,values2,threshold):
    sums = np.cumsum(values)
    i = j = k = 0
    output = np.zeros(values.size)
    while j < values.size:
        s = sums[j]-values[j]+threshold     # s is next cumsum to reach
        i,j = j,np.searchsorted(sums,s)     # position of next increment by threshold 
        output[k] = np.mean(values2[i:j])   # track mean of values2 for range
        k += 1
    return output[:k]

使用按
值的累积和排序的searchsorted直接导航到下一个组。这将为您提供O（n log n）性能，其中n是值中的组数：

import numpy as np

def meanBlocks(values,values2,threshold):
    sums = np.cumsum(values)
    i = j = k = 0
    output = np.zeros(values.size)
    while j < values.size:
        s = sums[j]-values[j]+threshold     # s is next cumsum to reach
        i,j = j,np.searchsorted(sums,s)     # position of next increment by threshold 
        output[k] = np.mean(values2[i:j])   # track mean of values2 for range
        k += 1
    return output[:k]

为了简化问题，您不需要将
output
预先分配到任何特定的长度。只需使用
output=[函数（40，i）表示范围内的i（15，len（值））]
。为了简化问题，您不需要将
output
预先分配到任何特定长度。只需使用
output=[函数（40，i）表示范围内的i（15，len（值））]
。