如何加速一维数组的np.roll循环执行速度？

你的问题根源在于循环内反复调用np.roll会频繁创建新数组，加上Python循环本身的开销，导致速度极慢。原代码的核心逻辑是计算接收信号符号序列与preamble_combination的滑动互相关，完全可以用numpy的向量化操作替代循环，彻底解决性能问题。

优化思路 #

1. 预先生成完整的符号序列：替代循环中逐次判断生成check_sign的逻辑，用numpy向量化操作一次性生成所有符号值。
2. 用互相关替代滑动窗口+roll：numpy的np.correlate底层是C实现，能高效完成滑动点积计算，比Python循环+roll快几个数量级。

优化后的代码 #

import numpy as np

preamble_length = 256
threshold_level = 100
sample_rate = 750e3
decimation_factor = 6

preamble_combination = np.array([1,-1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, 1, -1, 1, 1, 1, -1, -1, -1, -1, 1, -1, -1, 1, -1, -1,-1, 1, -1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, -1, 1, -1, -1, -1, 1, 1, 1, 1, -1, 1, 1, -1, 1, 1, 1, 1, -1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, 1, -1, 1, 1, 1, -1, -1, -1, -1, 1, -1, -1, 1, -1, 1, -1, -1, 1, -1, -1, -1, 1, 1, 1, -1, 1, -1, -1, 1, -1, -1, -1, 1, -1, 1, 1, 1, -1, -1, -1, -1, 1, -1, -1, 1, -1, -1, -1, 1, -1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, 1, -1, 1, 1, 1, -1, -1, -1, -1, 1, -1, -1, 1, -1, -1, -1, 1, -1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, -1, 1, -1, -1, -1, 1, 1, 1, 1, -1, 1, 1, -1, 1, 1, 1, -1, 1, -1, -1, -1, 1, 1, 1, -1, 1, -1, -1, 1, -1, -1, -1, -1, 1, -1, -1, -1, 1, 1, 1, 1, -1, 1, 1,  -1, 1, 1,1, 1, -1, 1, 1, 1, -1, -1, -1, 1, -1, 1, 1, -1, 1, 1, 1, -1, 1, -1, -1, -1, 1, 1, 1, 1, -1, 1, 1, -1, 1, 1,1])

# 处理接收数据
rxDataReal = np.real(downsample(rxData, decimation_factor))
rxDataDownSampled = rxDataReal

# 1. 一次性生成完整符号序列：与原逻辑一致，小于0为1，否则为-1
sign_seq = -np.sign(rxDataDownSampled)
# 处理0值（原代码中rxDataDownSampled为0时check_sign=-1，手动修正）
sign_seq[rxDataDownSampled == 0] = -1

# 2. 计算滑动互相关：等价于原循环中每次的bufferSum求和结果
# 提取有效滑动窗口的结果（对应原循环中窗口填满后的点积）
corr_results = np.correlate(sign_seq, preamble_combination, mode='full')
valid_corr = corr_results[preamble_length-1 : len(sign_seq)]

# 3. 找最大值和判断阈值
peak_max = np.max(valid_corr)
received_flag = peak_max >= threshold_level

if received_flag:
    print('Value of peak_max: ', peak_max)
    # 若需要找到峰值位置，可使用 np.argmax(valid_corr)，对应原循环中的main_counter位置

preamble_value = peak_max

关键优化点解释 #

• 避免循环与np.roll：原代码每次roll都会复制整个数组，循环上万次的话，内存开销和复制操作会严重拖慢速度。用np.correlate一次性完成所有滑动点积计算，完全规避了Python循环的开销。
• 向量化符号生成：用-np.sign替代逐元素判断，生成符号序列的速度提升数倍。
• 直接获取最大值：不需要维护buffer_filter数组，直接从互相关结果中取最大值，逻辑更简洁高效。

内容的提问来源于stack exchange，提问作者Count Zero