NumPy索引实现衰减累积计算与for循环结果不一致问题排查

核心错误原因 #

你的NumPy简单索引实现和for循环逻辑的本质差异是：

• for循环是迭代递归计算：每一步计算y[i]时，用的是已经计算完成、更新后的y[i-1]值，属于依赖前序结果的串行计算
• 你写的NumPy索引写法是快照式并行计算：执行data[1:] = data[1:] + decay * data[0:-1]时，等号右侧的data[0:-1]读取的是data = (1.0 - decay) * data执行后的原始数组快照，不会读取当前步骤之前已经更新的data元素值，因此计算逻辑和for循环完全不同。

计算过程拆解对比 #

执行data = (1.0 - decay) * data后，初始数组为[90, 180, 270, 360, 450]，两种实现的计算过程对比如下：

for循环计算过程（正确） #

• i=0：y[0] = 90
• i=1：y[1] = 180 + 0.1 * 90 = 189，使用已更新的y[0]计算
• i=2：y[2] = 270 + 0.1 * 189 = 288.9，使用已更新的y[1]计算
• i=3：y[3] = 360 + 0.1 * 288.9 = 388.89，使用已更新的y[2]计算
• i=4：y[4] = 450 + 0.1 * 388.89 = 488.889，使用已更新的y[3]计算

NumPy索引实现计算过程（错误） #

等号右侧所有值都读取初始数组的原始值，没有使用更新后的结果：

• data[1]：180 + 0.1 * 90 = 189，结果一致
• data[2]：270 + 0.1 * 180 = 288，错误使用原始数组的180，而非更新后的189
• data[3]：360 + 0.1 * 270 = 387，错误使用原始数组的270，而非更新后的288.9
• data[4]：450 + 0.1 * 360 = 486，错误使用原始数组的360，而非更新后的388.89

正确的向量化实现方案 #

如果不想显式写for循环，可以用scipy.signal.lfilter实现递归滤波，和你的for循环逻辑完全一致：

import numpy as np
from scipy.signal import lfilter

decay = 0.1
data = np.array([100,200,300,400,500])
a = 1 - decay
b = decay
y = lfilter([a], [1, -b], data)
print(y)
# 输出：array([ 90.   , 189.   , 288.9  , 388.89 , 488.889])

内容的提问来源于stack exchange，提问作者Akilesh