如何将forloop推到numpy

Question

下面的代码正是我想要的（它是kriging方法的一部分）。但问题是它的速度太慢了，我想知道是否有任何选择可以将for循环向下推到numpy？如果我把数字总和，使用轴参数，它会加快一点，但显然这不是瓶颈。有什么想法可以让我把forloop推到numpy来加速，或者用其他方法来加速吗？）在

# n = 2116
print GRZVV.shape  # (16309, 2116)
print GinvVV.shape  # (2117, 2117) 
VVg = numpy.empty((GRZVV.shape[0]))

for k in xrange(GRZVV.shape[0]):
    GRVV = numpy.empty((n+1, 1))
    GRVV[n, 0] = 1
    GRVV[:n, 0] = GRZVV[k, :]
    EVV = numpy.array(GinvVV * GRVV)  # GinvVV is numpy.matrix
    VVg[k] = numpy.sum(EVV[:n, 0] * VV)

我贴出了ndarrays n矩阵的维数来清理一些东西

编辑：VV的形状是2116

Answer 1

基本上是取GRZVV的每一行，在末尾附加一个1，将其与GinvVV相乘，然后将向量中的所有元素相加。如果不执行“append 1”操作，则可以在不使用循环的情况下完成所有操作，如下所示：

VVg = np.sum(np.dot(GinvVV[:, :-1], GRZVV.T), axis=-1) * VV

甚至：

^{pr2}$

我们如何处理额外的1？好吧，从矩阵乘法得到的向量会增加GinvVV[:, -1]中的相应值，当你把它们都加起来，这个值就会增加np.sum(GinvVV[:, -1])。因此，我们只需计算一次，然后将其添加到返回向量中的所有项目中：

VVg = (np.einsum('ij,kj->k', GinvVV[:-1, :-1], GRZVV) + np.sum(GinvVV[:-1, -1])) * VV

---

如果VV是标量，则上面的代码可以工作。如果它是一个形状(n,)的数组，则以下操作将起作用：

GinvVV = np.asarray(GinvVV)
VVgbis = (np.einsum('ij,kj->k', GinvVV[:-1, :-1]*VV[:, None], GRZVV) +
          np.dot(GinvVV[:-1, -1], VV))

Answer 2

您可以执行以下操作来代替k循环（运行时间~3s）：

tmp = np.concatenate((GRZVV, np.ones((16309,1),dtype=np.double)), axis=1)
EVV1 = np.dot(GinvVV, tmp.T)
#Changed line below based on *askewchan's* recommendation
VVg1 = np.sum(np.multiply(EVV1[:n,:],VV[:,np.newaxis]), axis=0)