加速python中的嵌套循环答案

【问题标题】：Speeding up nested loops in python加速python中的嵌套循环
【发布时间】：2016-10-12 20:30:27
【问题描述】：

如何在 python 中加快这段代码的速度？

while ( norm_corr > corr_len ): 

    correlation = 0.0

    for i in xrange(6):
        for j in xrange(6):
            correlation += (p[i] * T_n[j][i]) * ((F[j] - Fbar) * (F[i] - Fbar))      

    Integral += correlation
    T_n =np.mat(T_n) * np.mat(TT)
    T_n = T_n.tolist()
    norm_corr = correlation / variance

这里，TT是固定的6x6矩阵，p是固定的1x6矩阵，F是固定的1x6矩阵。 T_n 是 TT 的 n 次方。

这个 while 循环可能会重复 10^4 次。

【问题讨论】：

您是否有理由希望 T_n 成为列表列表而不是 numpy 矩阵？
您能否提供一些关于 TT、p、F 和 T_n 的示例数据。这将是一个易于测试的工作示例（当然，我们可以创建自己的随机矩阵，但另一种方式是您的代码将是复制和粘贴可执行文件（如果您还包括导入......）。
您可能还想在Code Review上提问
您是否尝试过运行分析器来查看代码的哪一部分速度较慢？ docs.python.org/3/library/profile.html
大约一半的计算时间被嵌套循环消耗，另一半被矩阵乘法消耗。

标签： python performance loops

【解决方案1】：

快速完成这些事情的方法是使用 Numpy 的内置函数和运算符来执行操作。 Numpy 使用优化的 C 代码在内部实现，如果您正确设置计算，它将运行得更快。

但有效地利用 Numpy 有时会很棘手。它被称为“向量化”你的代码——你必须弄清楚如何以一种作用于整个数组的方式来表达它，而不是使用显式循环。

例如，在您的循环中，您有 p[i] * T_n[j][i]，恕我直言，这可以通过向量矩阵乘法来完成：如果 v 是 1x6，m 是 6x6，那么 v.dot(m) 是 1x6，计算 v 的点积与m 的列。如有必要，您可以使用转置和重塑来处理不同的维度。

【讨论】：

感谢您的建议。为了用一行代码替换嵌套循环，我尝试了两种不同的方法：列表推导和 numpy.einsum。但是，嵌套循环比这两种方法都快。