如何对两个数组逐元素应用函数？以及如何高效计算两个NumPy字符串一维数组所有组合的分数并获取最大值？

嘿，我来帮你搞定这两个需求！咱们分情况一步步说：

如果你的两个NumPy数组长度相同，想要把arr1[i]和arr2[i]一一配对传入get_score，最直接的方法是用numpy.vectorize把你的普通函数包装成能处理数组的向量化函数。

举个实际例子：

import numpy as np

# 你的分数计算函数（这里用字符串长度差做示例）
def get_score(string1, string2):
    return abs(len(string1) - len(string2))

# 两个测试数组
arr1 = np.array(["apple", "banana", "cherry"])
arr2 = np.array(["apricot", "blueberry", "coconut"])

# 包装函数，让它能接收数组输入
vectorized_get_score = np.vectorize(get_score)

# 逐元素计算分数
elementwise_scores = vectorized_get_score(arr1, arr2)
print(elementwise_scores)  # 输出: [2 3 2]

⚠️ 注意：如果两个数组长度不匹配，NumPy会尝试广播，但如果形状完全不兼容（比如一个长度3，一个长度4），会直接报错，所以要确保两个数组的维度能对应上。

如果要计算arr1中每个元素和arr2中每个元素的分数组合，然后找最大值，推荐用numpy.meshgrid生成所有元素对的网格，再结合向量化函数处理，最后用NumPy的内置函数找最大值，这样比纯Python循环高效得多。

示例代码如下：

# 生成所有元素对的网格（indexing="ij"保证arr1元素在第一维度，arr2在第二维度）
arr1_mesh, arr2_mesh = np.meshgrid(arr1, arr2, indexing="ij")

# 计算所有组合的分数，得到形状为(len(arr1), len(arr2))的分数矩阵
all_scores = vectorized_get_score(arr1_mesh, arr2_mesh)

# 找最大分数
max_score = np.max(all_scores)
# 如果需要知道对应哪一对元素，可以用np.unravel_index定位
max_pos = np.unravel_index(np.argmax(all_scores), all_scores.shape)
best_pair = (arr1[max_pos[0]], arr2[max_pos[1]])

print(f"最大分数: {max_score}")
print(f"对应的最优元素对: {best_pair}")

进阶优化：真正的向量化（比vectorize更快） #

np.vectorize本质上还是在底层做循环，只是包装成了数组接口。如果你的get_score逻辑可以用NumPy的字符串操作（np.char模块）重写成真正的向量化函数，速度会提升一个量级。比如如果你的分数是计算两个字符串的公共前缀长度，可以这样实现：

def vectorized_prefix_score(arr1, arr2):
    arr1_mesh, arr2_mesh = np.meshgrid(arr1, arr2, indexing="ij")
    str1_flat = arr1_mesh.flatten()
    str2_flat = arr2_mesh.flatten()
    
    # 获取每个字符串对的最小长度
    min_lengths = np.minimum(np.char.str_len(str1_flat), np.char.str_len(str2_flat))
    prefix_lengths = np.zeros(len(str1_flat), dtype=int)
    
    # 逐字符比较，统计公共前缀长度
    for i in range(min_lengths.max()):
        # 找到当前位置字符相同且前缀长度还没到i的元素
        match_mask = (np.char.str_get(str1_flat, i) == np.char.str_get(str2_flat, i)) & (prefix_lengths == i)
        prefix_lengths[match_mask] += 1
    
    return prefix_lengths.reshape(arr1_mesh.shape)

这种纯NumPy操作的方式，在处理大数组时会比vectorize快很多。

内容的提问来源于stack exchange，提问作者Fer_RB