如何在Python循环中用布尔表达式优化JONSWAP谱计算冗余代码

你当前的代码冗余核心在于条件分支内重复了相同的计算逻辑，可以通过两种方式优雅优化：向量化操作（推荐，效率更高）或封装重复逻辑为函数。

方案1：用Numpy向量化操作彻底消除循环与分支冗余 #

利用Numpy的数组广播和条件赋值特性，一次性处理所有频率点，避免显式循环和重复代码：

import numpy as np

# 定义JONSWAP参数
Hs = 3.0       # 有效波高
fp = 0.25      # 峰值频率
gamma = 3.3    # 峰形因子
f = np.linspace(0.01, 1.0, 100)  # 频率数组

# 一次性生成所有频率对应的sigma值：f ≤ fp时取0.07，否则取0.09
sigma = np.where(f <= fp, 0.07, 0.09)

# 提取公共计算项，避免重复运算
f_over_fp = f / fp
term1 = 0.0624 * Hs**2 * fp**4 * f**-5
term2 = np.exp(-1.25 * f_over_fp**-4)
c = 1 - 0.287 * np.log(gamma)
G = gamma ** np.exp(-((f_over_fp - 1)**2) / (2 * sigma**2))

# 计算最终波谱密度
S = term1 * term2 * c * G

优化说明： #

• 用np.where替代循环内的条件判断，直接生成整个sigma数组，代码更简洁且运算效率远高于Python原生循环
• 所有公共计算步骤只写一次，彻底消除分支内的重复逻辑
• 提取f_over_fp变量，避免重复计算f/fp，进一步简化代码

方案2：封装重复逻辑为函数（保留循环场景） #

如果必须保留循环（比如需要逐点调试或兼容非Numpy场景），可以把重复的计算逻辑封装成独立函数：

import numpy as np

def compute_jonswap_s(fj, sigma, Hs, fp, gamma):
    """计算单个频率点的JONSWAP波谱密度"""
    f_over_fp = fj / fp
    term1 = 0.0624 * Hs**2 * fp**4 * fj**-5
    term2 = np.exp(-1.25 * f_over_fp**-4)
    c = 1 - 0.287 * np.log(gamma)
    G = gamma ** np.exp(-((f_over_fp - 1)**2) / (2 * sigma**2))
    return term1 * term2 * c * G

# 参数定义
Hs = 3.0
fp = 0.25
gamma = 3.3
f = np.linspace(0.01, 1.0, 100)
S = np.zeros_like(f)

# 循环调用函数计算
for j in range(len(f)):
    fj = f[j]
    sigma = 0.07 if fj <= fp else 0.09
    S[j] = compute_jonswap_s(fj, sigma, Hs, fp, gamma)

优化说明： #

• 把重复的计算逻辑封装到函数中，循环内只需要处理sigma的判断和函数调用，代码结构更清晰
• 函数可复用性更强，后续修改波谱计算逻辑只需修改函数内部，无需改动循环代码

内容的提问来源于stack exchange，提问作者Schlink