python - 如何将此代码从 python 循环重写为 numpy 向量（用于性能）？

Question

我有这个代码：

for j in xrange (j_start, self.max_j):
   for i in xrange (0, self.max_i):
      new_i = round (i + ((j - j_start) * discriminant))
      if new_i >= self.max_i:
         continue 
      self.grid[new_i, j] = standard[i]

我想通过丢弃缓慢的原生 python 循环来加速它。有可能改用 numpy 向量运算，它们真的很快。怎么做？

j_start, self.max_j, self.max_i, discriminant

整数、整数、整数、浮点数（常量）。

self.grid

二维 numpy 数组（self.max_i x self.max_j）。

standard

一维 numpy 数组（self.max_i）。

Answer 1

这是一个完整的解决方案，也许会有所帮助。

jrange = np.arange(self.max_j - j_start)
joffset = np.round(jrange * discriminant).astype(int)
i = np.arange(self.max_i)

for j in jrange:
    new_i = i + joffset[j]
    in_range = new_i < self.max_i
    self.grid[new_i[in_range], j+j_start] = standard[i[in_range]]

可能可以对两个循环进行矢量化，但我认为这会很棘手。

我没有对此进行测试，但我相信它计算的结果与您的代码相同。