什么´；提高在numpy数组上迭代的python循环速度的最佳解决方案是什么？

如果有人有时间来看看这个问题。提高此函数处理速度的最佳方法是什么？如果要处理50000个以上的值，它会变得非常慢。谢谢

数据是一个2d numpy数组

def mean_error(data): 
    sub=[]
    for i in range(len(data)):
        soma=abs(data[i][0]-data[i][1])
        sub.append(soma)
        mean_error=np.sum(sub)/len(sub)
    return mean_error

---

这不是基本相同的代码吗

def mean_error(data):
    soma = np.abs(data[:, 0] - data[:, 1])
    return (np.cumsum(soma) / np.arange(1, data.shape[0] + 1))[-1]

您可以计算循环内的累积和，并将它们添加到

sub

。计算第一列和第二列的差值之和。。。你不需要一个循环，有切片

这甚至可以简化，因为您在循环中不使用

mean_error

，您只需要在最后使用它（在上面用

[-1]

显示的代码中，但在这种情况下，

cumsum

根本不需要）：

---

尝试查看TensorFlow什么是

self.feedforward

？就这点而言，什么是

self

？您可以通过切片来摆脱循环。另外，对于numpy数组，不要使用

len

，而是使用shape。第一步可能是将

mean_error=np.sum（sub）/len（sub）

从

循环中拉出…请告诉我为什么调用临时变量
soma
，而不是
diferençA
？不，它不是同一个代码，OP没有累积平均错误，他只是返回最终结果。很好，谢谢。我只需要访问当前返回的最后一个元素，然后它就是同一个元素（对于10x10随机数组，OPs方法与我的方法的差异至少会返回零）。谢谢@GBOFI！与其说是最后一个元素，不如说更简单：
np.sum（soma）/data.shape[0]
？“是的，”他补充道。现在我理解了你在运营问题下的评论，顺便说一句；-）谢谢你的帮助。
def mean_error(data):
    soma = np.abs(data[:, 0] - data[:, 1])
    return np.sum(soma) / data.shape[0]