如何实现可通过Numba @jit加速的Numpy向量化版itertools.combinations？

我想实现一个可通过Numba的@jit装饰器进一步加速的Numpy向量化版本itertools.combinations，但不确定是否可行。我处理的是一维np.array，目标是生成3元组合。

示例代码与预期结果 #

import numpy as np
from itertools import combinations

x = np.array([1,2,3,4,5])
result_set = set(combinations(x, 3))

预期结果：
{(1, 2, 3),
(1, 2, 4),
(1, 2, 5),
(1, 3, 4),
(1, 3, 5),
(1, 4, 5),
(2, 3, 4),
(2, 3, 5),
(2, 4, 5),
(3, 4, 5)}

已调研情况 #

我已在技术社区搜索相关内容，但未找到匹配当前使用场景的有效方案：

• 有讨论尝试用Numpy实现多维版本的combinations，但未覆盖我的一维数组3元组合加速需求
• 有观点指出，可能很难实现比原生itertools.combinations更快的版本

具体使用场景 #

• 处理存储价格数据的一维np.array，例如price = np.array([100,101,102,103,104,105...])
• 通过scipy.signal.argrelmax识别数组中的所有峰值
• 生成所有峰值的3元组合（后续也会扩展到4元组合）
• 对每个组合执行Numpy优化的自定义简单线性回归，根据特定r_val阈值验证趋势线，同时会通过趋势线上下的积分做进一步筛选

核心需求 #

不需要组合函数返回元组集合，只需输出能适配我现有Numpy优化线性回归算法的格式即可。

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