以最有效的方式编写python代码

我正在使用Python库MDAnalysis编写代码。 我有一个原子位置的数组（502,3） 我想得到一组键（原子（I+1）的位置向量，原子（I）） 然后我想得到一个平均张量qab=它本质上是一个np.outer（ua，ub） 所有原子的平均值

我可以用fortran子程序重写这段代码，但我认为看到一个美味的numpy切片解决方案会更令人高兴：）这是我写的代码，我想让它更快、更漂亮。提前感谢您的帮助

bb = u.selectAtoms("all")
coor = bb.positions
print coor.shape # return is (502,3)
# the coordinates of the atoms that we split on 3 dimensions
bbx = coor[:,0]
bby = coor[:,1]
bbz = coor[:,2]
#the bond vectors we obtain by subtructing atoms positions 
bbx_ave = bbx[:-1] - bbx[1:]
bby_ave = bby[:-1] - bby[1:]
bbz_ave = bbz[:-1] - bbz[1:]
#now we concentrate everything back so we have one big array
bb_res = np.vstack((bbx_ave, bby_ave, bbz_ave))
# print bb_res.shape # the return is (3,501)
# now we have an array of bonds

# qab - the result tensor which we want to get
nq = len(bb_res)
qab = np.zeros((3,3))
count = 0.

for i in xrange(0, nq):
    for j in xrange(0, i+1):
        qab = qab + np.outer(bb_res[:,i], bb_res[:,j])
        count += 1.
qab = qab/count
print qab
[[ 0.21333394  0.5333341   0.        ]
 [ 0.5333341   4.          0.        ]
 [ 0.          0.          0.        ]]

---

我在下面已经尽力了。更有效地生成

bb_res

非常容易，但我无法优化双

for

循环。在我的电脑上，我的方法大约快26%。同样基于您的问题陈述，我相信您的代码中有一个bug，我在评论中指出了这个bug。我已经在我的答案中修复了这个bug，所以它产生的输出与您的代码略有不同

import numpy as np
from numpy.random import rand

# create some mock data
coor = rand(502,3)

def qab(coor):
  # this is the transpose of your bb_res
  # transposing is as simple as bb_res.T
  bb_res = coor[:-1] - coor[1:]

  nq = bb_res.shape[1]
  out = np.zeros((3,3))

  for i in xrange(0, nq):
    for j in xrange(0, i):
      tmp = np.outer(bb_res[i], bb_res[j])
      out += tmp + tmp.T
    out += np.outer(bb_res[i], bb_res[i])
  return out / nq**2

print qab(coor)

---

假设您在代码片段中的意思是

nq=bb_res.shape[1]

，我可以使用以下矢量化代码再现输出：

d = np.diff(coor, axis=0)
I, J = np.triu_indices(d.shape[0])
print np.dot(d[J].T, d[I]) / len(J)

---

这应该是开着的，我认为你的双for循环没有达到你想要的效果。如果在两个循环上都有

xrange（0，nq）

，则会产生不同的结果（但所需时间大约是原来的两倍）。似乎你正试图利用对称性，通过对张量的一半求和来节省时间。但是当你这样做的时候，你应该包括这样一个事实：非对角项的重要性是对角项的两倍。为了更清楚地理解这一点，请尝试手工制作一个简单的例子，其中

nq=2

。现在你有了

nq==3

，而如果它是

nq==501

则更有意义。我认为你不应该添加

2*

外积，而是添加外积及其转置，以获得与两个循环运行到

nq

时相同的输出。而

nq

应该等于

bb_res.shape[0]

？@moarningsun，我在利用问题的对称性。这种对称性是np.outer（bb_res[i]，bb_res[j]）=

np.outer（bb_res[j]，bb_res[i]）

请验证，对称性应该是：

np.outer（bb_res[i]，bb_res[j]）==np转置（np.outer（bb res[j]，bb_res[i]）

Oh derp，我怎么忘了这个？谢谢，我已经更新了答案。现在你可以用

out=np.einsum（'ij，kl->jl'，bb_res，bb_res）

替换嵌套循环，它没有利用对称性，但却提供了很好的加速效果

：）