如何向量化Numpy逐行向量二次乘积运算，优化500万行循环的运行速度

你要实现的每行独立二次型运算可以通过两种numpy原生向量化方法实现，完全替代for循环，性能可提升数百倍：

方法1：使用np.einsum（推荐，运算效率最高） #

einsum可以直接指定张量运算的维度匹配规则，一步完成所有行的二次型计算：

import numpy as np

# 原变量定义保持不变
wtsarray # shape(5000000,21)
covmat # shape(21,21)
mtx # 你的原有常数

# 向量化计算
quad = np.einsum('ij,jk,ik->i', wtsarray, covmat, wtsarray)
portvol = np.sqrt(quad) * np.sqrt(mtx)

运算逻辑说明：ij,jk,ik->i 表示对每一行i，将形状为(21,)的wtsarray[i]、形状为(21,21)的covmat、形状为(21,)的wtsarray[i]做二次型运算，最终输出长度为500万的一维数组。

方法2：使用矩阵乘法+逐元素运算 #

如果对einsum语法不熟悉，也可以用常规矩阵运算组合实现：

# 先计算所有权重行和协方差矩阵的乘积，得到(5000000,21)的数组
cov_w = wtsarray @ covmat
# 逐元素乘原权重数组后按行求和，得到每个行的二次型结果
quad = (cov_w * wtsarray).sum(axis=1)
portvol = np.sqrt(quad) * np.sqrt(mtx)

性能说明 #

500万行数据在普通消费级CPU上运行上述向量化代码，耗时通常在1秒以内，远快于Python原生for循环的几十到上百秒耗时，且不需要额外内存开销。

问题表述优化建议 #

你的问题已经非常清晰：提供了输入数组的形状、可运行的原始代码、明确的优化目标，不需要额外补充信息。

内容的提问来源于stack exchange，提问作者Dazz W