Python如何优化加速矩阵计算场景的三层嵌套循环？

核心问题分析 #

你当前代码的性能瓶颈完全来自三层嵌套中的Python原生循环，Python层循环本身开销极大，再加上每次循环都执行float()类型转换，当fixed_data_channel0长度较大时耗时会线性飙升，r=3就达到7.9秒是典型的Python循环效率问题。

具体优化方案 #

• 替换最内层循环为numpy向量化操作：最内层循环本质是对两个偏移后的数组做乘加求和，用numpy的向量点积操作直接实现，所有运算在C层执行，开销可忽略。
• 提前统一做类型转换：将fixed_data_channel0提前转为numpy浮点数组，避免循环中重复执行类型转换。
• 利用矩阵对称性减少计算量：你当前仅计算i<=j的上三角元素，macierz_R是对称矩阵，计算完上三角后直接赋值给下三角即可，无需重复判断和计算。

优化后代码示例 #

import numpy as np
# 提前把输入数据转成numpy浮点数组，全局仅做一次类型转换
fixed_data_arr = np.array(fixed_data_channel0, dtype=np.float64)

def model_predykycjny(r):
    macierz_R = np.zeros((r, r))
    data_len = len(fixed_data_arr)
    # 直接只遍历上三角区间，省去无效的i>j判断分支
    for i in range(1, r+1):
        for j in range(i, r+1):
            # 取两个偏移子序列直接做点积，完全替换内层Python循环
            seq1 = fixed_data_arr[r - i : data_len - i]
            seq2 = fixed_data_arr[r - j : data_len - j]
            macierz_R[i-1, j-1] = seq1 @ seq2
    # 对称赋值填充下三角，无需重复计算
    macierz_R = macierz_R + macierz_R.T - np.diag(np.diag(macierz_R))
    return macierz_R

性能提升效果 #

对于r=3的场景，优化后耗时会从原来的7.9秒降到毫秒级，比原代码快上百倍。如果后续r取值更大，还可以进一步用numpy.correlate的自相关实现批量计算所有偏移的乘加和，完全去掉外层的两层Python循环，性能还能再提升一个量级。

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