如何在Numpy中不使用for循环实现递推加权计算，提升大数据量运行速度

你要实现的是一阶递归指数加权移动平均，有两种无循环实现方案，性能均远高于原生Python for循环，可直接匹配原计算结果：

方案1：使用scipy.signal.lfilter（性能最优） #

该方法是底层C实现的递归滤波函数，内存占用低，处理百万级数据也无压力。

代码示例 #

import numpy as np
from scipy.signal import lfilter

dec = 0.1
data = np.array([100,200,300,400,500])

# 直接调用lfilter实现匹配原递推逻辑的计算
y = lfilter(b=[1 - dec], a=[1, -dec], x=data)

输出结果 #

array([ 90.   , 189.   , 288.9  , 388.89 , 488.889])

和原for循环输出完全一致。

方案2：纯NumPy向量化实现（无需额外依赖） #

如果不想引入scipy依赖，也可以用NumPy内置的累积运算实现：

代码示例 #

import numpy as np

dec = 0.1
data = np.array([100,200,300,400,500])
alpha = 1 - dec
n = len(data)

exp_weights = dec ** np.arange(n)
y = np.cumsum(data * alpha / exp_weights) * exp_weights

输出结果和方案1完全相同。

原错误写法原因说明 #

你之前的改写方案仅对第一项做了衰减，后续所有项都固定加dec * data[0]，没有用到前一步的迭代计算结果，因此从第三项开始就和预期结果不符。

内容的提问来源于stack exchange，提问作者Akilesh