Python 具有多个数组的numpy索引

给定两个数据序列（长度相等）和每个数据点的质量值，我想根据给定的评分矩阵计算相似性分数

将以下循环矢量化的最有效方法是什么：

score = 0
for i in xrange(len(seq1)):
    score += similarity[seq1[i], seq2[i], qual1[i], qual2[i]]

相似性

是一个四维浮点数组，形状=（32,32,100,100）；

seq1

、

seq2

、

qual1

和

qual2

都是长度相等的一维整数数组（1000-40000个数量级）。

这难道不管用吗（tm）

代码：

给出：

>>> timeit slow()
100 loops, best of 3: 3.59 ms per loop
>>> timeit fast()
10000 loops, best of 3: 143 us per loop
>>> np.allclose(slow(),fast())
True

这难道不应该起作用吗（tm）

代码：

给出：

>>> timeit slow()
100 loops, best of 3: 3.59 ms per loop
>>> timeit fast()
10000 loops, best of 3: 143 us per loop
>>> np.allclose(slow(),fast())
True

这个怎么样

score = numpy.sum(map(similarity.__getitem__, zip(seq1, seq2, qual1, qual2)))

当然，您也可以尝试使用itertools imap和izip。zip是必需的，因为

\uuuu getitem\uuuuuuuuuuuuuuuuuuuuuuuu>需要一个元组，而不是四个数字……也许可以通过查看itertools模块的较暗角落来改善这一点。
这个怎么样

score = numpy.sum(map(similarity.__getitem__, zip(seq1, seq2, qual1, qual2)))

当然，您也可以尝试使用itertools imap和izip。zip是必要的，因为
\uuuu getitem\uuuuuuuuuuuuuuuuuuuuu>需要一个元组，而不是四个数字……也许可以通过查看itertools模块的较暗角落来改善这一点。
这太好了。我更喜欢这个答案，而不是我自己的答案（尽管我可能会把我的答案留作对比）+1.这真是一个很棒的
numpy
功能，我不知道。谢谢在我的机器上进行1000次迭代的计时（包括John Zwinck的答案为“第三次”），长度10000:slow:17.1289219856，fast:0.61208987236，third:15.7027080059太棒了。我更喜欢这个答案，而不是我自己的答案（尽管我可能会把我的答案留作对比）+1.这真是一个很棒的
numpy
功能，我不知道。谢谢我的机器上1000次迭代的计时（包括John Zwinck的回答为“第三次”），长度10000：慢：17.1289219856，快：0.61208987236，第三次：15.7027080059