如何高效实现函数向量化，并从预计算函数值中快速检索对应结果

方案1：利用均匀采样特性直接计算索引（最快，适配当前示例场景） #

当前你的预计算x是等间隔均匀采样的，步长固定为0.001，可直接通过数学运算算出每个待查询w对应的下标，完全向量化无循环，性能最高。

import numpy as np

# 预计算逻辑保持不变
x = np.linspace(-3, 3, 6001)
fx = x**2
x = np.round(x, 3)

# 生成待查询的w
w = np.random.rand(10000)
w = np.round(w, 3)

# 高效查询逻辑
step = x[1] - x[0]
min_x = x[0]
# 计算对应下标，加clip防止w超出x范围导致下标越界
idx = np.clip(np.round((w - min_x) / step).astype(int), 0, len(x)-1)
fx_w = fx[idx]

方案2：使用np.searchsorted（适配预计算x为有序非均匀分布的场景） #

如果你的预计算x不是均匀采样，但本身是有序排列的，可用二分查找快速定位下标，时间复杂度为O(n log m)，远低于原始循环的O(n*m)。

# 预计算和w生成逻辑同上
idx = np.searchsorted(x, w)
# 可选校验：确认w都在预计算x的取值范围内，避免取错值
assert np.all(x[idx] == w)
fx_w = fx[idx]

方案3：字典映射（适配x长度较小、查询逻辑灵活的场景） #

提前构建预计算值的哈希映射，查询时间复杂度为O(1)，实现简单易读。

# 预构建映射字典
x_to_fx = dict(zip(x, fx))
# 批量查询
fx_w = np.array([x_to_fx[wi] for wi in w])

性能对比说明 #

你原始实现的for循环每次都要遍历整个x数组匹配目标值，10000个查询请求对应约6000万次比较运算，上述三种方案的性能比原始实现高数百到上千倍。如果存在部分w不在预计算x的取值范围内，可通过np.isin(w, x)生成掩码做异常处理。

内容的提问来源于stack exchange，提问作者Schach21