Python 在嵌套循环中加速numpy计算

下面是一些代码片段

def径向基函数（r）：
rsq=r**2.0
如果rsq==0.0：
返回0.0
val=rsq*np.log（rsq）
如果np.isnan（val）：
返回0.0
返回值
对于范围内的i（449）：
对于j，枚举（p）中的行：
res[j]+=w[i]*rbf（r=np.linalg.norm（p[i]-row））
返回res

这里，

p

表示具有形状的数组（4448^2,3），

res

表示具有形状的数组（4448^2,3）。这种就地添加的过程消耗了太多的时间。我试了另一种方法如下

def径向基函数（r）：
rsq=r**2.0
如果rsq==0.0：
返回0.0
val=rsq*np.log（rsq）
如果np.isnan（val）：
返回0.0
返回值
def func（元素，行）：
总和=总和（[w[j]
*径向基函数（r=np.linalg.norm（p[j]-行））
对于范围（449）]内的j）
返回和+元素
dst_res=np.array（[func（elem=elem，row=row）
对于元素，行在zip中（res，p）]）
返回dst_res

---

但我仍然没有看到任何进展。有什么提高性能的建议吗？

有几种方法可以加快程序的速度

首先，我将重新构造计算函数：避免ifs或尝试将它们放在最外层的循环中，避免计算密集型函数，如power（**）

第二：增加的速度相对较快，通过改进这一点不会有多大收获。您可能应该尝试将数据矢量化以加快乘法：

tmp = np.zeros(449) # store values in temporary vector 
for j, row in enumerate(p): # change order of the loop 
    for i in range(449):
        tmp[i] = rbf(r=np.linalg.norm(p[i] - row)) # fill vector
    #the NaN-Check should be actually made here: measure both scenarios
    tmp[np.isnan(tmp)] = 0.0
    
    res[j] = sum( w * tmp)
return res

您可以进一步降低成本：

tmp = np.zeros(449) # store values in temporary vector 
for j, row in enumerate(p): # change order of the loop 
    for i in range(449):
        tmp[i] = rbf(r=np.linalg.norm(p[i] - row)) # fill vector 
    tmp *= tmp #rbf part 1
    tmp *= np.log(tmp) # rbf part 2
    tmp[np.isnan(tmp)] = 0.0 # NaN-Testing
    
    res[j] = sum( w * tmp) #sum
return res

---

这些代码片段未经测试。可能会有进一步的改进。始终检查答案是否仍然正确。请分享您的进展。

什么是

w

？您能否将其表示为带有输入（

w

，

p

？）和输出的纯函数？为什么

449

？这与

4448^2

有什么关系？请提供一个适当的MCVE，可以在终端中运行，无需额外键入。

tmp = np.zeros(449) # store values in temporary vector 
for j, row in enumerate(p): # change order of the loop 
    for i in range(449):
        tmp[i] = rbf(r=np.linalg.norm(p[i] - row)) # fill vector 
    tmp *= tmp #rbf part 1
    tmp *= np.log(tmp) # rbf part 2
    tmp[np.isnan(tmp)] = 0.0 # NaN-Testing
    
    res[j] = sum( w * tmp) #sum
return res