Python 如何使用隐式方法的numpy快速编写循环

Numpy非常适合通过矢量化加速代码。然而，例如，当执行隐式迭代方程求解方法时，如数组的then元素

n+1

依赖于

n

第一个元素，从而阻止矢量化

我实现了gauss seidel，如下所示：

def gausseidel（A，b，x0，tol=1e-10）：
n=len（A）
x=np.拷贝（x0）
k=0
虽然（正确）：
印刷品（k）
对于范围（n）中的i：
x[i]=（b[i]-np.delete（A[i]，i）@np.delete（x，i））/A[i，i]
如果最大值（abs（x-x0））

这种方法比显式方法慢，比如雅可比方法

def jacobi（A，b，x0，tol=1e-10）：
n=len（A）
M=np.副本（A）
DInv=np.零（（n，n））
k=0
对于范围（n）中的i：
DInv[i，i]=1/M[i，i]
M[i，i]=0
虽然（正确）：
x=DInv@（b-M@x0）
如果最大值（abs（x-x0））

---

据我所知，在这里不可能消除for循环，但这是一种加速它的方法吗？

某种可能有所帮助的方法是将if测试移到下面的循环之外

        s = b[i]
        for j in range(n):
            if i == j:
                continue
            s -= A[i, j] * x[j]

如

如果避免了测试，则使用这种方法

---

另一件需要尝试的事情是这个包，它可以动态编译代码，而无需外部编译步骤的开销。

您可以为循环对内部

进行矢量化。。。这实际上是一个省略第i个元素的点积。。。因此，请使用完整的圆点产品，并根据需要进行调整。谢谢。我已经编辑了代码，这对您有所帮助，但主要问题仍然存在，因为您需要添加与您相关的示例数据。A，b，x0的数组形状是什么？numpy矢量化的目的是将循环移动到编译代码中-在整个数组方法中。前面我建议使用点积并调整以删除内部循环。。。使用
numpy.delete
执行此操作不是一个好方法，因为它会导致复制。
        s = b[i] + A[i, i] * x[i]
        for j in range(n):
            s -= A[i, j] * x[j]