如何将以下python代码矢量化？

我试图使用Numpy和矢量化操作来加快代码部分的运行速度，但没有找到解决方案。如果有人有主意。。。谢谢

以下是循环的工作代码：

y = np.zeros(len(tab))
for i in range(len(tab)):
    s =  0
    for n in range(len(coef[0])):
        s += coef[0][n] * ((a + b * np.dot(tab[i], vectors[n])) ** d)
    y[i] = s

在哪里,

• 选项卡：numpy.array（N，M）
• 向量：numpy.数组（P，M）
• coef:numpy.array（1，P）
• a、 b，c：常数（a=0，如果更容易的话）

---

看起来很糟糕。但这是你需要的吗

y = array([ sum( [coef[0][n] * ((a + b * np.dot(tab[i], vectors[n])) ** d) 
            for n in range(len(vectors[0]))] ) for i in range(len(tab)) ])

---

您可以使用基于和的方法，如下所示-

# Calculate "((a + b * np.dot(tab[i], vectors[n])) ** d)" part
p1 = (a + b*np.einsum('ij,kj->ki',tab,vectors))**d

# Include "+= coef[0][n] *" part to get the final output
y_vectorized = np.dot(coef,p1)

---

运行时测试
数据集#1：
这是一个快速的运行时测试，将原始的循环方法与建议的方法进行比较，以获得一些随机值-

In [168]: N = 50
     ...: M = 50
     ...: P = 50
     ...: 
     ...: tab = np.random.rand(N,M)
     ...: vectors = np.random.rand(P,M)
     ...: coef = np.random.rand(1,P)
     ...: 
     ...: a = 3.233
     ...: b = 0.4343
     ...: c = 2.0483
     ...: d = 3
     ...: 

In [169]: %timeit original_approach(tab,vectors,coef,a,b,c,d)
100 loops, best of 3: 4.18 ms per loop

In [170]: %timeit proposed_approach(tab,vectors,coef,a,b,c,d)
10000 loops, best of 3: 136 µs per loop

数据集#2：
当

N

、

M

和

p

分别为

150

时，运行时为-

In [196]: %timeit original_approach(tab,vectors,coef,a,b,c,d)
10 loops, best of 3: 37.9 ms per loop

In [197]: %timeit proposed_approach(tab,vectors,coef,a,b,c,d)
1000 loops, best of 3: 1.91 ms per loop

---

你能在问题的开头用一句话来描述代码应该完成的任务吗？很难给出一个纯粹的程序性评估。@mprat-它是SVM算法实现的一部分，与此实现类似-第83行-88@unutbu-确切地说，我使用相同的数据集更正了代码，我的实现：总运行时间=28分钟，而对于您的实现：总运行时间=15分钟。它更好，但是没有更好的解决方案，不使用这两个循环吗？这不是矢量化，即使使用

numpy

来加速循环，仍然有两个

for

循环。这只是将2个循环重写为列表理解。仍然是Python循环，只是效率更高一点。