Python 沿着轴的NumPy矢量化总是可能的吗？

我有一个沿着NumPy数组的轴进行的计算，我想知道是否有任何方法可以绕过for循环，因为这看起来非常慢。通常，我总是试图将代码矢量化，但通过这种计算，我不知道如何实现

假设我有一个形状为（7000 X 10）的2d数组X。有一半的条目是NaN值。 我现在看X的每一行（命名为X_I），这是一个具有形状（10）的一维数组。基于x_i中非NaN值的索引，我将对一维数组m，shape（10）和二维数组C，shape（10 x 10）进行分区。然后我用它做一些计算，沿着X的第一个轴重复所有的事情

我的代码（相当简化）大致如下：

X = np.random.random_sample((7000, 10))  # Note that in the real case, X also has a lot of NaN values
M = np.random.random_sample(10)
C = np.random.random_sample((10, 10))

Res = np.empty(X.shape[0])   # Preallocation of result

for i in range(X.shape[0]):
    # Get row i of X
    x_i = X[i]

    # Get indices of the non-NaN values in x_i
    index_not_nan_i = np.where(~np.isnan(x_i))[0]
    
    # Partition M and C according to indices
    M_i = M[index_not_nan_i]
    C_i = C[index_not_nan_i[..., None], index_not_nan_i]


    Res[i] = M_i @ C_i @ M_i

例如：

假设X的第一行看起来像这个X_i=[5，3，6，NaN，7，NaN，NaN，0，5，NaN]； 因此，索引_not_nan_i=[0,1,2,4,7,8]。 由于x_i中有6个非NaN值，因此M_i的形状为（6），C_i的形状为（6,6）。 下一个x_i当然会在其他位置有NaN值，所以index_不是，NaN_i可能是[3,7,5]，M_i和C_i的形状是（3）和（3 x 3）

有没有矢量化的可能性？

---

我已经尝试过numpy.apply_沿_轴（），但就性能而言，这似乎是一个常规的for循环。另外，根据文档numpy.vectorize（）似乎也是一个for循环，尽管我还没有尝试过它。

M和C的大小和形状可以不是X吗？然后只应用2D mask？

numpy

没有通过简单的包装来提高性能的工具。@GhandiFloss实际上尺寸19000还涉及到另一个维度。所以C实际上是形状19000x10x10，如果我播放它来匹配X的形状，我会有一个形状7000x19000x10x10的数组。然后我的内存就用完了。正常的矢量化使用广播和

axis

参数在高维数组上使用快速编译的代码<代码>@例如，可以在

批次上执行
dot
产品（第一维度）。但是，如果您的
mi
和
ci
的大小因
i
的不同而不同，那么这可能没有什么用处。一般来说，在处理大小不同的数组时，“矢量化”是很困难的（在这种情况下，无法生成3d+数组）。能否将X转换为0和1表示NaN而不是NaN。然后通过乘法得到数组。