如何加速Numpy数组的元素加权求和操作？

你的问题核心是Python循环在处理大型Numpy数组时的性能瓶颈——Python解释器的循环开销远高于Numpy底层的C实现向量化操作，直接用循环处理百万级以上元素会非常慢。下面是几种高效的优化方案：

方案一：向量化幂次生成 + 点积求和 #

直接生成与数组长度匹配的10的递增幂次数组，通过Numpy的点积（或元素相乘后求和）完成计算，完全规避Python循环：

import numpy as np

int_array = np.array((3,16,3,29,36))
# 生成10^0, 10^1, 10^2...的幂次数组
powers_of_10 = 10 ** np.arange(len(int_array))
# 两种等价的求和方式
result = int_array.dot(powers_of_10)
# 或者 result = (int_array * powers_of_10).sum()

这种方法的性能提升极其显著：对于包含10万元素的数组，向量化计算的速度是原循环的数百倍以上，且数组越大，优势越明显。

方案二：处理超大数组的溢出问题 #

如果数组元素数量极多（比如超过20位，对应10^20的幂次），Numpy默认的整数类型可能会溢出。此时可以指定使用Python对象类型的数组，或者足够大的整数类型：

# 使用Python对象类型支持大整数
powers_of_10 = (10 ** np.arange(len(int_array))).astype(np.object_)
result = int_array.dot(powers_of_10)

# 或者使用64位无符号整数（适合幂次不超过10^18的场景）
powers_of_10 = 10 ** np.arange(len(int_array), dtype=np.uint64)
result = int_array.dot(powers_of_10)

原代码的额外小优化 #

如果必须保留循环（不推荐），可以去掉不必要的int(i)转换——如果int_array已经是整数类型的Numpy数组，直接使用i即可，避免类型转换的开销：

result = 0
n = 1
int_array = np.array((3,16,3,29,36), dtype=np.int64)
for i in int_array:
    result += i * n
    n *= 10

但即使做了这个优化，循环的性能依然远不如向量化方案。

内容的提问来源于stack exchange，提问作者Phönix 64