在Python中对for循环进行矢量化是什么意思？有没有其他方法可以编写嵌套的for循环？
我是Python的新手，在我的研究中，我总是遇到NumPy库。希望可以有人帮帮我。
答案 0 :(得分：17)
Python for循环本质上比它们的C对应慢。
这就是numpy在numpy数组上提供矢量化操作的原因。它将您通常在Python中执行的for循环推送到C级别，这要快得多。 numpy提供了矢量化（＆＃34; C级for循环＆＃34;）替代方案，否则需要以元素方式完成（＆＃34; Python级{{1循环）。
for import numpy as np
from timeit import Timer
li = list(range(500000))
nump_arr = np.array(li)
def python_for():
return [num + 1 for num in li]
def numpy_add():
return nump_arr + 1
print(min(Timer(python_for).repeat(10, 10)))
print(min(Timer(numpy_add).repeat(10, 10)))
# 0.725692612368003
# 0.010465986942008954
矢量化加法的速度提高了70倍。
答案 1 :(得分：9)
这是来自Wes McKinney的definition：
数组非常重要，因为它们可以让您表达批处理 对数据的操作，无需编写任何for循环。这通常是 称为矢量化。等大小之间的任何算术运算 数组应用元素运算。
矢量化版本：
>>> import numpy as np
>>> arr = np.array([[1., 2., 3.], [4., 5., 6.]])
>>> arr * arr
array([[ 1., 4., 9.],
[ 16., 25., 36.]])
与原生Python（嵌套）列表上的循环相同：
>>> arr = arr.tolist()
>>> res = [[0., 0., 0.], [0., 0., 0.]]
>>> for idx1, row in enumerate(arr):
for idx2, val2 in enumerate(row):
res[idx1][idx2] = val2 * val2
>>> res
[[1.0, 4.0, 9.0], [16.0, 25.0, 36.0]]
这两项操作如何比较？ NumPy版本需要436 ns; Python版本需要3.52μs（3520 ns）。 “小”时间的这种巨大差异称为微观性能，当您处理大数据或重复操作数千次或数百万次时，它变得非常重要。