如何向量化多元正态分布计算以提升3D点PDF求解效率？

你当前的迭代实现因为逐个处理每个点，没有利用Numpy的向量化广播能力，导致计算效率偏低。针对你的场景（每个点的协方差矩阵是对角矩阵且三个维度方差相同），可以大幅简化公式并实现完全向量化的计算，避免Python循环开销。

公式简化推导 #

由于每个点的协方差矩阵是σ²I（σ为该点的置信度，I是3x3单位矩阵），可以将多元正态PDF公式简化：

• 协方差行列式：det(cov) = σ⁶
• 协方差逆矩阵：inv(cov) = (1/σ²)I
• 指数项：-0.5 * (||real - guess||²) / σ²
• 常数项：1 / [(2π)^(3/2) * σ³]

最终每个点的PDF可简化为：

pdf = (1 / [(2π)^1.5 * σ³]) * exp( -0.5 * ||diff||² / σ² )

向量化Numpy实现 #

import numpy as np

n = 10

def create_points(n):
    return np.random.randint(0, 1000, size=(n, 3))

real = create_points(n)
guess = create_points(n)
uncertainties = np.random.randint(1, 100, size=n)

def vectorized_scoring_numpy(real, guess, uncertainties):
    # 计算所有点的差值 (n,3)
    diff = real - guess
    # 计算每个点差值的平方和 (n,)
    diff_sq_sum = np.sum(diff ** 2, axis=1)
    # 预计算置信度的平方和三次方 (n,)
    sigma_sq = uncertainties ** 2
    sigma_cubed = uncertainties ** 3
    
    # 计算指数部分 (n,)
    exponent = -0.5 * diff_sq_sum / sigma_sq
    # 计算常数项 (n,)
    const = 1 / ((2 * np.pi) ** 1.5 * sigma_cubed)
    # 计算每个点的PDF并求和
    pdfs = const * np.exp(exponent)
    score = np.sum(pdfs)
    
    return score

# 验证结果与原迭代方法一致
print("原Scipy迭代结果:", iterative_scoring_scipy(real, guess, uncertainties))
print("向量化Numpy结果:", vectorized_scoring_numpy(real, guess, uncertainties))

效率提升说明 #

• 完全避免了Python级别的循环，所有计算都通过Numpy底层的C优化实现，当n较大（比如上万级）时，速度会比迭代版本快几十到上百倍。
• 利用Numpy的广播机制，所有数组操作都是批量进行，内存访问更高效。

内容的提问来源于stack exchange，提问作者NicolaiF