如何以最快方式实现基于NumPy数组的Sliding dot product？

你要的这种滑动窗口内的点积操作，完全不需要用for循环，numpy提供了两种高效的向量级实现方式：

方法1：用numpy.convolve（最简单直接） #

这本质就是一维卷积操作，只需要把权重数组alpha反转后作为卷积核，选择mode='valid'就能得到你要的结果：

import numpy as np

x = np.random.rand(100)
alpha = np.array([2, 3, 4])

# 反转权重核，valid模式只保留窗口完全覆盖的结果
result = np.convolve(x, alpha[::-1], mode='valid')

结果的长度是len(x) - len(alpha) + 1 = 98，正好对应从2*x₀+3*x₁+4*x₂到2*x₉₇+3*x₉₈+4*x₉₉的所有滑动点积（你示例里的x₁₀₀应该是笔误，因为x只有100个元素，索引到99）。

方法2：用as_strided创建滑动窗口视图（内存更高效） #

如果追求极致内存效率，可以用numpy.lib.stride_tricks.as_strided生成x的滑动窗口视图（不复制数据），再和alpha做矩阵乘法：

import numpy as np
from numpy.lib.stride_tricks import as_strided

x = np.random.rand(100)
alpha = np.array([2, 3, 4])

window_size = len(alpha)
n_windows = len(x) - window_size + 1

# 创建滑动窗口视图，形状为(98, 3)，无额外内存开销
x_windows = as_strided(x, shape=(n_windows, window_size), strides=(x.strides[0], x.strides[0]))

# 每行和alpha做内积，得到最终结果
result = x_windows @ alpha

注意：as_strided直接操作内存，必须确保计算的窗口数量和形状正确，避免越界访问。

性能说明 #

• np.convolve是numpy原生优化实现，代码简洁，绝大多数场景下速度足够快。
• as_strided+矩阵乘法在处理超大数组时，因为避免了卷积的额外操作，可能会略快，但代码复杂度稍高。

两种方式都彻底摆脱了for循环，是numpy中处理这类问题的优雅方案。

内容的提问来源于stack exchange，提问作者Elis