python双层for循环优化,如何优化Python中的嵌套for循环

纽比广播

如果不受内存限制，优化numpy中嵌套循环的第一步是使用广播并以矢量化的方式执行操作：import numpy as np

def mb_r(forecasted_array, observed_array):

"""Returns the Mielke-Berry R value."""

assert len(observed_array) == len(forecasted_array)

total = np.abs(forecasted_array[:, np.newaxis] - observed_array).sum() # Broadcasting

return 1 - (mae(forecasted_array, observed_array) * forecasted_array.size ** 2 / total[0])

但在这种情况下，循环是用C而不是Python进行的，它涉及到一个大小(N，N)数组的分配。在

广播不是灵丹妙药，试着打开内环

如上所述，广播意味着巨大的内存开销。所以它应该小心使用，而且它并不总是正确的方法。虽然你的第一印象可能是在任何地方使用它-不要。不久前我也被这个事实搞糊涂了，看我的问题Numpy ufuncs speed vs for loop speed。为了不太冗长，我将在您的示例中显示这一点：

^{pr2}$

小型阵列(广播更快)forecasted = np.random.rand(100)

observed = np.random.rand(100)

%timeit mb_r_bcast(forecasted, observed)

57.5 µs ±