Python 循环n-dnp.array的最有效方法 1.介绍

假设有一个形状为（365100100）的三维阵列：Prec

• 代表一个地区全年的日降水量情况
• 显然，第一个维度代表时间序列
• 最后两个维度表示空间分布（例如，有10000个网格，大小为1km x 1km）

2.企图 测试整个区域的每个网格的降水量是否高于一定值Pd，这将干湿分开。我想计算一下全年的干旱天数

3.我的代码

freq=np.零（100100）.重塑（100100）
Pd=xxx
对于范围内的i（0，预制形状[0]，1）：
对于范围内的j（0，预制形状[1]，1）：
对于范围内的k（0，预制形状[2]，1）：
如果prec[i，j，k]

我认为太多的循环肯定会浪费时间。有没有最干净的方法来完成类似的工作？

---

如有任何建议，将不胜感激

您正在沿

prec

的第一个轴进行比较和求和。可以使用矢量化的方式执行该比较，然后沿着第一个轴与求和，如下所示-

freq = (prec < Pd).sum(0)

freq=（prec

您正在沿

prec

的第一个轴进行比较和求和。可以使用矢量化的方式执行该比较，然后沿着第一个轴与求和，如下所示-

freq = (prec < Pd).sum(0)

freq=（prec

无循环-非常优雅。请问这类代码的原理是什么？我遇到过一些类似的代码，比如

array[array>0.5]

。效率比循环大得多。为什么他们这么快？难道他们不需要循环来遍历所有的值吗？@HanZhengzu可能会有所启发。NumPy是为以矢量化的快速方式对大量元素执行相同操作而构建的。我认为它的哲学是。没有循环-非常优雅。请问这种代码的原理是什么？我遇到过一些类似的代码，比如

array[array>0.5]

。效率比循环大得多。为什么他们这么快？难道他们不需要循环来遍历所有的值吗？@HanZhengzu可能会有所启发。NumPy是为以矢量化的快速方式对大量元素执行相同操作而构建的。我认为它的哲学是正确的。迪瓦卡下面的回答非常好。就我个人而言，我认为对于这种类型的东西，

numpy

的级别太低了，

pandas

是一个不错的选择。我只熟悉使用

pandas

的dataframe。总有一天我会在

pandas

中尝试n-d数组！谢谢下面Divakar的回答非常好。就我个人而言，我认为对于这种类型的东西，

numpy

的级别太低了，

pandas

是一个不错的选择。我只熟悉使用

pandas

的dataframe。总有一天我会在

pandas

中尝试n-d数组！谢谢