Python中矩阵计算时如何查看进度或显示进度条？

以下是几种在矩阵计算过程中添加进度条的可行方案，覆盖不同场景：

1. 基础循环场景：用tqdm包裹迭代器 #

如果你的矩阵计算是通过逐行、逐列或逐元素的循环实现的，直接用tqdm包装迭代器即可自动生成进度条。

import numpy as np
from tqdm import tqdm

# 生成测试用大矩阵
matrix = np.random.rand(1000, 1000)
result_matrix = np.zeros_like(matrix)

# 逐行处理，进度条显示当前进度
for idx in tqdm(range(matrix.shape[0]), desc="正在处理矩阵行"):
    # 这里替换成你的实际计算逻辑
    result_matrix[idx] = np.sin(matrix[idx]) + np.cos(matrix[idx])

desc参数可以自定义进度条前的描述文本，方便区分不同的计算任务。

2. 大矩阵分块处理场景 #

针对超大矩阵（内存无法一次性承载），可以分块处理，同时用tqdm跟踪分块的处理进度：

import numpy as np
from tqdm import tqdm

large_matrix = np.random.rand(10000, 10000)
block_size = 1000  # 每块的行数
result = np.zeros_like(large_matrix)

# 按块迭代，tqdm统计进度
for start_idx in tqdm(range(0, large_matrix.shape[0], block_size), desc="分块处理矩阵"):
    end_idx = min(start_idx + block_size, large_matrix.shape[0])
    # 对当前块执行计算
    result[start_idx:end_idx] = np.exp(large_matrix[start_idx:end_idx]) * np.log(large_matrix[start_idx:end_idx] + 1)

3. 并行计算场景：结合joblib与tqdm #

如果用并行加速矩阵行/列的计算，可以将joblib的并行结果包装进tqdm：

import numpy as np
from joblib import Parallel, delayed
from tqdm import tqdm

matrix = np.random.rand(1000, 1000)

# 定义单行处理函数
def process_single_row(row):
    return np.sin(row) + np.cos(row)

# 并行处理并显示进度条
processed_result = np.array(list(tqdm(
    Parallel(n_jobs=-1)(delayed(process_single_row)(row) for row in matrix),
    total=matrix.shape[0],
    desc="并行处理矩阵行"
)))

注意事项 #

• 对于numpy/scipy等库的内置整体矩阵运算（比如np.dot矩阵乘法、np.linalg.inv矩阵求逆），这类运算底层是高度优化的C代码，无法拆分出中间进度，因此无法直接添加进度条。如果必须监控进度，只能将大矩阵拆分为多个小矩阵的运算，再用上述方法跟踪。
• 使用tqdm前需要先安装：pip install tqdm

内容的提问来源于stack exchange，提问作者reverse_