关于如何使用大型 for 循环优化内部函数的提示

Question

def testing(min_quadReq, stepsize, max_quadReq, S):
    y = np.arange(min_quadReq, max_quadReq, stepsize)
    print("Y", y)
    I_avg = np.zeros(len(y))
    Q_avg = np.zeros(len(y))
    x = np.arange(0, (len(S)))
    debugger = 0
    for i in range(0, len(y)):
        I = np.array(S * (np.cos(2 * np.pi * y[i] * x)))
        Q = np.array(S * (np.sin(2 * np.pi * y[i] * x)))
        I_avg[i] = np.sum(I, 0)
        Q_avg[i] = np.sum(Q, 0)
        debugger += 1
    D = [I_avg**2 + Q_avg**2]
    maxIndex = np.argmax(D)
    #maxValue = D.max()
    # in python is arctan2(b,a) compared to matlab's atan2(a,b)
    phaseOut = np.arctan2(Q_avg[maxIndex], I_avg[maxIndex])
    # returns the out value and the phase
    out = min_quadReq + ((maxIndex + 1) - 1) * stepsize
    return out, phaseOut

我正在开展一个项目，该项目使用 DSP 处理信号以获取相关数据。上面的代码来自正交调制的内部函数。据我所见，这是代码中最有可能被优化的部分。例如，两个 sum 函数分别被调用了大约 92k 次，而正交函数本身被调用了 2696 次。我对python不太熟悉，所以如果有人对如何更有效地编写它或一些好的文档有任何建议，那就太好了。

信号 S 是输入源，它是 [481][251] 的数组。正交的外壳由quadReq(cavSig[j, :]) 调用，只是一些额外的信息来显示它是如何调用的以及调用了多少次。

def randomnumber():
    s = np.random.random_sample((1, 251))
    print(s)
    return s

随机数()

编辑：添加了更多信息

Answer 1

您的循环为y 的每个元素生成一个I_avg 值。为了简洁起见，我可以将其写为列表理解。

In [61]: x=np.arange(4)
In [62]: y=np.arange(0,1,.2)
In [63]: [np.cos(2*np.pi*y[i]*x).sum() for i in range(y.shape[0])]
Out[63]: 
[4.0,
 -0.30901699437494745,
 0.80901699437494767,
 0.80901699437494834,
 -0.30901699437494756]

但y[i]*x 部分只是y 和x 的外积，可以用np.outter 编写，也可以用广播y[:,None]*x 轻松编写。

In [64]: np.cos(2*np.pi*y[:,None]*x).sum(axis=1)
Out[64]: array([ 4.        , -0.30901699,  0.80901699,  0.80901699, -0.30901699])

进入交互式 Python 会话，并玩弄这样的表达式。最好的学习方式是做事并看到立竿见影的效果。保持测试表达式和数组的大小，以便您可以立即看到发生了什么。