基于NumPy并行计算足球队净胜场（胜场-负场）

NumPy实现 #

核心思路 #

利用np.add.at实现索引原地累加，该函数会对每个索引的所有出现次数进行累加，解决普通索引赋值时重复索引被覆盖的问题。

代码示例 #

import numpy as np

# 模拟数据：20场比赛，10支球队（ID 0-9，若为1-10则X初始化长度为11）
match = np.random.randint(0, 10, size=(20, 2))
outcome = np.random.choice([1, -1], size=(20, 1))

# 初始化净胜场数组
X = np.zeros(10, dtype=int)

# 扩展结果数组：每一行对应两个球队的增减量（胜队+1，负队-1）
outcome_expanded = np.concatenate([outcome, -outcome], axis=1)

# 无循环并行累加
np.add.at(X, match, outcome_expanded)

扩展至多球员场景 #

若每个队有N名球员，需计算每位球员的净胜场（与球队净胜场一致），只需将X改为二维数组，np.add.at会自动广播实现累加：

num_players_per_team = 5
X_players = np.zeros((10, num_players_per_team), dtype=int)

# 扩展结果数组适配球员维度，并行累加
np.add.at(X_players, match, outcome_expanded[:, :, np.newaxis])

PyTorch实现 #

对应PyTorch中使用torch.scatter_add_实现相同的并行累加逻辑，适合机器学习架构中的GPU并行计算：

基础场景代码 #

import torch

# 模拟张量数据
match = torch.randint(0, 10, (20, 2))
outcome = torch.tensor(np.random.choice([1, -1], size=(20,1)), dtype=torch.int)
outcome_expanded = torch.cat([outcome, -outcome], dim=1)

# 初始化净胜场张量
X = torch.zeros(10, dtype=torch.int)

# 展平索引与结果数组，执行并行累加
X.scatter_add_(0, match.flatten(), outcome_expanded.flatten())

扩展至多球员场景 #

num_players_per_team = 5
X_players = torch.zeros(10, num_players_per_team, dtype=torch.int)

# 扩展维度适配球员数量，并行累加
X_players.scatter_add_(
    0, 
    match[..., None].expand(-1, -1, num_players_per_team), 
    outcome_expanded[..., None]
)

关键说明 #

• 普通的X[match] += outcome_expanded无法得到正确结果，因为重复索引的累加会被覆盖，而np.add.at/torch.scatter_add_会对每个索引的所有出现次数进行累加。
• 上述方案完全并行，无循环，可无缝扩展到任意数量的球队、比赛或球员规模。

内容的提问来源于stack exchange，提问作者Loua