small_array = np.array(["one", "two"])
big_array = np.array(["one", "two", "three", "one"])
for i in range(len(small_array)):
for p in range(len(big_array)):
if small_array[i] == big_array[p]:
print "This item is matched: ", small_array[i]
我知道有多种方法可以实现这一目标，但是我对通用的思维方法（如果存在）感兴趣。
#1 楼
这是学习有效使用NumPy时的常见概念难题。通常，Python中的数据处理最好用迭代器来表示，以保持较低的内存使用量，最大程度地提高与I / O系统并行的机会，并提供算法的重用和组合。但是NumPy却把所有事情都彻底搞清楚了：最好的方法是将算法表达为一系列全数组操作，以最小化在慢速Python解释器中花费的时间，并最大化在快速编译的NumPy中花费的时间例程。
这是我采用的一般方法：
保留该函数的原始版本（您确信是正确的）以便可以对其进行测试
从内而外地工作：即从最里面的循环开始，看是否可以向量化；然后，当您完成此操作后，移出一个级别并继续。
花很多时间阅读NumPy文档。那里有很多功能和操作，而且它们的命名并不总是很漂亮，因此有必要了解它们。尤其是，如果您发现自己在想：“如果只有某项功能如此之类的话”，那么花十分钟寻找它就值得。它通常在某个地方。
不能替代练习，所以我将为您提供一些示例问题。每个问题的目标是重写函数，使其完全矢量化：也就是说，它由整个数组上的一系列NumPy操作组成，没有本机Python循环（没有
for或while语句，没有迭代器或理解） ）。问题1
def sumproducts(x, y):
"""Return the sum of x[i] * y[j] for all pairs of indices i, j.
>>> sumproducts(np.arange(3000), np.arange(3000))
20236502250000
"""
result = 0
for i in range(len(x)):
for j in range(len(y)):
result += x[i] * y[j]
return result
问题2
def countlower(x, y):
"""Return the number of pairs i, j such that x[i] < y[j].
>>> countlower(np.arange(0, 200, 2), np.arange(40, 140))
4500
"""
result = 0
for i in range(len(x)):
for j in range(len(y)):
if x[i] < y[j]:
result += 1
return result
问题3
def cleanup(x, missing=-1, value=0):
"""Return an array that's the same as x, except that where x ==
missing, it has value instead.
>>> cleanup(np.arange(-3, 3), value=10)
... # doctest: +NORMALIZE_WHITESPACE
array([-3, -2, 10, 0, 1, 2])
"""
result = []
for i in range(len(x)):
if x[i] == missing:
result.append(value)
else:
result.append(x[i])
return np.array(result)
下面的扰流板。如果您在研究我的解决方案之前先做好准备，就会得到最好的结果！
答案1
np.sum（x）* np.sum（y）
答案2
np.sum （np.searchsorted（np.sort（x），y））
答案3
np.where（x ==丢失，值x）
评论
等一下，最后一个答案是否有错字？还是NumPy修改了Python解释代码的方式？
–伊兹卡塔
2014年8月27日，0：05
@Izkata本身并不会进行任何修改，但是定义了应用于数组的逻辑操作以返回布尔数组。
– sapi
2014年8月27日在1:10
@sapi啊，我错过了doctest中发生的事情，以为这些都是简单的清单
–伊兹卡塔
2014年8月27日在1:45
也许应该有一种嵌入APL的方法？
–user251748
18-2-27在17:05
我爱你做功课。
–科雷·图吉（Koray Tugay）
18年6月6日在1:05
#2 楼
为了使事情更快，您必须仔细阅读数据结构并使用适当的数据结构。对于小数组和大数组的非平凡大小（假设small = 100元素和big = 10.000元素）一种方法是对小型数组进行排序，然后对大型数组进行迭代，然后使用二进制搜索在小型数组中查找匹配的元素。 N log N）（对于小的小型数组和非常大的大型数组，它更接近O（N）），但是您的嵌套循环解为O（N ^ 2）
。哪种数据结构最有效取决于实际问题。
#3 楼
您可以使用字典来显着优化性能这是另一个示例：
locations = {}
for i in range(len(airports)):
locations[airports["abb"][i][1:-1]] = (airports["height"][i], airports["width"][i])
for i in range(len(uniqueData)):
h, w = locations[uniqueData["dept_apt"][i]]
uniqueData["dept_apt_height"][i] = h
uniqueData["dept_apt_width"][i] = w
评论
显然，这仍在使用“ for-loop”思想流派。
– 8bittree
16-10-12在14:12
评论
您正在寻找函数式编程：lambda表达式，高阶函数，生成表达式等。Google那些。我想尽可能避免for循环，因为它们很慢（至少在Python中如此）。听起来您在这里解决了错误的问题。如果需要迭代某些事物，则需要迭代某些事物。无论您使用哪种Python构造，都会对性能造成类似的影响。如果您的代码很慢，那不是因为您有for循环。这是因为您正在做不必要的工作，或者在Python方面进行了可以在C方面完成的工作。在您的示例中，您正在做额外的工作；您可以只用一个循环而不是两个循环来完成它。
@Doval不幸的是-在NumPy中。对于实际的数组大小，执行元素逐加的Python for循环很容易比矢量化NumPy运算符（不仅用C编写，而且使用SSE指令和其他技巧）慢几倍（！）。
上面的一些评论似乎误解了这个问题。在NumPy中进行编程时，如果可以对计算进行矢量化，则可获得最佳结果—也就是说，将Python中的显式循环替换为NumPy中的全数组操作。从概念上讲，这与Python中的普通编程有很大不同，并且需要花费一些时间来学习。因此，我认为OP寻求关于如何去做的建议是合理的。
@PieterB：是的，是的。 “向量化”与“选择最佳算法”不同。它们是提出有效实施方案的两个困难源，因此最好一次考虑一下。