如何将嵌套循环的数组运算转换为纯NumPy实现？

原代码的三重循环效率极低，尤其面对1597×2145×64的大数组时，完全可以用NumPy的广播和向量化操作彻底替代，大幅提升运算速度。

核心思路 #

1. 维度匹配：totalhrs是2D数组（维度为(a,b)），rosehrs是3D数组（维度为(a,b,c)），通过给totalhrs添加一个长度为1的新维度，让NumPy自动广播，实现每个(a,b)位置的totalhrs值与对应(a,b,c)的所有rosehrs元素做运算。
2. 避免除零：用np.divide的where参数跳过totalhrs为0的情况，防止出现除零警告或错误。
3. 批量取整：用np.round对整个数组批量保留两位小数，替代循环里的逐个round调用。

实现代码 #

严谨版（处理除零情况）

# 创建与rosehrs同形状的结果数组，避免不必要的复制
rose_number = np.empty_like(rosehrs, dtype=np.float64)

# 执行除法：仅在totalhrs不为0的位置计算，避免除零错误
np.divide(rosehrs, totalhrs[..., np.newaxis], where=totalhrs[..., np.newaxis] != 0, out=rose_number)

# 转换为百分比并保留两位小数
rose_number = np.round(rose_number * 100, 2)

简化版（无需处理除零）

如果确定totalhrs中没有0值，可以直接一行完成：

rose_number = np.round((rosehrs / totalhrs[..., np.newaxis]) * 100, 2)

关键细节说明 #

• totalhrs[..., np.newaxis]：将2D数组扩展为3D（维度变为(a,b,1)），触发NumPy的广播机制，让它能和3D的rosehrs逐元素运算。
• np.divide的where参数：指定只有当totalhrs不为0时才执行除法，不满足条件的位置会保留out数组的初始值（若需要固定默认值，可将np.empty_like替换为np.zeros_like）。
• 向量化操作的效率：相比三重Python循环，NumPy的向量化运算在底层用C实现，速度能提升几个数量级，尤其适合大尺寸数组。

内容的提问来源于stack exchange，提问作者deadpickle