如何使用NumPy切片实现分块求和for循环的向量化优化

你遇到的报错是因为numpy不支持将数组作为切片的起止索引，切片start:end中的start和end只能是标量，所以你传入countIndices数组作为索引会抛出TypeError: only integer scalar arrays can be converted to a scalar index。

你的需求是将数组按固定大小分块后对每块求和，直接用reshape重构数组结构即可实现完全向量化操作，无需手动累加元素，适配任意大小的blockSize：
首先先修正你原有初始化代码的语法错误：

import numpy as np
blockSize = 5
ds = np.arange(20)
ds = np.reshape(ds, (1, len(ds))) # 补充原代码遗漏的右括号
block_count = len(ds[0]) // blockSize
counts = np.zeros((1, block_count)) # 修正原counts初始化的括号位置错误

核心求和逻辑仅需一行：

counts[0] = np.floor(ds[0].reshape(block_count, blockSize).sum(axis=1))

该实现的逻辑是将长度为block_count * blockSize的一维数组，重构成形状为(block_count, blockSize)的二维数组，每一行对应一个你需要计算的块，之后按行求和即可得到所有块的求和结果。

如果你的数组总长度无法被blockSize整除，需要保留尾部不足blockSize的部分，可使用滑动窗口视图实现：

from numpy.lib.stride_tricks import sliding_window_view

# 按blockSize步长取大小为blockSize的窗口
windows = sliding_window_view(ds[0], window_shape=blockSize)[::blockSize]
counts[0] = np.floor(windows.sum(axis=1))
# 如果需要处理尾部不足blockSize的剩余元素，可额外补充计算最后一段的和
if len(ds[0]) % blockSize != 0:
    remain_sum = np.floor(ds[0, -(len(ds[0]) % blockSize):].sum())
    counts = np.hstack([counts, [[remain_sum]]])

内容的提问来源于stack exchange，提问作者joepython