NumPy最核心的优势之一就是向量化运算——完全不用写Python循环逐个处理元素，直接对整个数组操作就行，不仅代码简洁，速度还比循环快得多。给你整理几种常见场景的用法：

• 基础算术运算：直接用常规的+、-、*、/等运算符就行。比如给数组每个元素加5：arr + 5；两个数组对应元素相乘：arr1 * arr2；甚至可以和单个数值（标量）运算，NumPy会自动把标量“广播”到整个数组维度。
• 三角函数/指数对数运算：NumPy提供了一套向量化的数学函数，直接调用就能作用于整个数组。比如求正弦值np.sin(arr)、指数运算np.exp(arr)、自然对数np.log(arr)，这些函数都是底层C实现的，效率拉满。
• 统计类运算：如果要做统计分析，直接用np.sum(arr)（求和）、np.mean(arr)（均值）、np.max(arr)（最大值）这类函数，还能通过axis参数指定按行/列计算，比如np.mean(arr, axis=1)就是求每一行的均值。
• 广播运算：当两个数组维度兼容时，NumPy会自动扩展小维度的数组来匹配大维度，比如二维数组加一维数组：arr_2d + arr_1d，不用手动调整维度，非常方便。

你说循环处理大规模数据太慢太正常了——Python循环在处理数组时效率极低，换成NumPy的向量化操作+布尔索引就能解决这个问题，完全避开Python层面的循环，速度能提升几个数量级。

直接上解决方案，代码示例如下：

import numpy as np

# 假设有这样的示例数组
arr = np.array([[0, 2.5, 0], [3, 0, 1.2]])

# 先复制原数组（如果不需要保留原数组，可以直接操作原数组）
processed_arr = arr.copy()

# 生成非零元素的掩码（布尔数组，True表示对应位置非零）
non_zero_mask = processed_arr != 0

# 对非零元素应用你的公式
processed_arr[non_zero_mask] = 1 - (1/(2*processed_arr[non_zero_mask])) * (1 - np.exp(-2*processed_arr[non_zero_mask]))

print(processed_arr)

为什么这个方法高效？ #

• 布尔索引processed_arr[non_zero_mask]直接定位到所有非零元素，不需要逐个遍历判断；
• 公式中的所有运算都是向量化的——NumPy会把整个非零元素子集作为一个整体运算，底层用C语言执行，完全跳过了Python循环的开销。

如果你的数组特别大，还可以考虑用np.where来实现，写法更紧凑：

processed_arr = np.where(arr != 0, 1 - (1/(2*arr)) * (1 - np.exp(-2*arr)), arr)

这个写法直接返回处理后的数组，不需要单独复制和掩码，代码更简洁，效率和上面的方法差不多。

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