如何优化含嵌套if的for循环以提升大数组代码运行速度？

当前处理长度约6800万的一维数组时，以下循环写法速度极慢，需要优化嵌套条件判断的实现方式：

for j in range(len(destined)):
        if destined[j] == 1:
            if den[j,i+1] == 0:
                is_dense = np.hstack((is_dense, j))
            elif den[j,i+1] < den_min:
                is_diffuse = np.hstack((is_diffuse, j))

同时原代码中使用np.hstack追加元素的方式本身存在性能问题，需替换为更高效的实现。

优化方案：使用Numpy向量化操作 #

利用Numpy的向量化特性（底层C实现循环）替代Python层面的for循环，结合布尔掩码直接筛选目标索引，彻底解决性能瓶颈：

实现代码（简洁版）

# 提取目标列数据
den_col = den[:, i+1]

# 第一层条件：destined等于1的掩码
mask_destined = destined == 1

# 直接通过掩码组合筛选目标索引
is_dense = np.where(mask_destined & (den_col == 0))[0]
# 排除den_col等于0的情况，避免和is_dense结果重叠
is_diffuse = np.where(mask_destined & (den_col < den_min) & (den_col != 0))[0]

实现代码（逻辑分步版）

den_col = den[:, i+1]
mask_destined = destined == 1

# 先获取所有符合第一层条件的索引
valid_indices = np.where(mask_destined)[0]
# 在有效索引中筛选子条件
is_dense = valid_indices[den_col[valid_indices] == 0]
is_diffuse = valid_indices[(den_col[valid_indices] < den_min) & (den_col[valid_indices] != 0)]

优化原因 #

• 完全规避Python循环：Numpy的向量化操作在底层C环境执行，处理大数组的速度远高于Python层面的循环
• 避免内存浪费：np.hstack每次调用都会重新分配内存并拷贝数据，多次操作会产生巨大额外开销；直接用掩码筛选索引仅需一次内存分配

内容的提问来源于stack exchange，提问作者Dylan Benton