You need to enable JavaScript to run this app. 能否利用NumPy向量化、广播机制加速数组索引匹配填充流程
优惠活动
大模型
产品
解决方案
定价
更多

能否利用NumPy向量化、广播机制加速数组索引匹配填充流程

问题背景
  • 数组m:形状为(n, 2n),n=5时每一行是[0,0,1,1,2,2,3,3,4,4]的随机排列,示例代码:
import numpy as np

m = np.array([[4, 2, 2, 3, 0, 1, 3, 1, 0, 4],
             [2, 4, 0, 4, 3, 2, 0, 1, 1, 3],
             [0, 2, 3, 1, 3, 4, 2, 1, 4, 0],
             [2, 1, 2, 4, 3, 0, 0, 4, 3, 1],
             [2, 0, 1, 0, 3, 4, 4, 3, 2, 1]])
  • 数组t:形状为(n², 4),前两列存储m的行索引与m中所有取值的全组合(n=5时共25种),最后两列初始为占位值99,示例代码:
t = np.array([[0, 0, 99, 99],
              [0, 1, 99, 99],
              [0, 2, 99, 99],
              [0, 3, 99, 99],
              [0, 4, 99, 99],
              [1, 0, 99, 99],             
              [1, 1, 99, 99],            
              [1, 2, 99, 99],
              [1, 3, 99, 99],
              [1, 4, 99, 99],
              [2, 0, 99, 99],
              [2, 1, 99, 99],
              [2, 2, 99, 99],
              [2, 3, 99, 99],
              [2, 4, 99, 99],
              [3, 0, 99, 99],
              [3, 1, 99, 99],
              [3, 2, 99, 99],
              [3, 3, 99, 99],
              [3, 4, 99, 99],
              [4, 0, 99, 99],
              [4, 1, 99, 99],
              [4, 2, 99, 99],
              [4, 3, 99, 99],
              [4, 4, 99, 99]])
替换规则

取t某行前两列的(m_row, val),到m的第m_row行中找到所有值等于val的列索引,按升序填入t的最后两列:

示例1:t中[1, 3, 99, 99] → m第1行值为3的列索引为4、9 → 更新为[1, 3, 4, 9]
示例2:t中[4, 2, 99, 99] → m第4行值为2的列索引为0、8 → 更新为[4, 2, 0, 8]

现有问题

当前遍历m每一列匹配更新的方案速度较慢,需向量化加速实现。

向量化实现方案

核心思路是预构造查找表,再通过索引批量取值,全程无Python层面循环,底层为numpy C实现,速度远快于遍历:

  1. 对m的每一行做稳定排序,获取按值分组的列索引
  2. 将排序后的索引重组为形状(n, n, 2)的查找表,lookup[m_row, val, :]直接对应该值的两个升序列索引
  3. 用t的前两列批量索引查找表,直接替换最后两列

完整可运行代码:

n = 5
# 1. 构造查找表
# 稳定排序保证同值的列索引按原顺序(升序)排列
sorted_col_idx = np.argsort(m, axis=1, kind='stable')
# 重组为 (行号, 值, 两个列位置) 的查找表
lookup = sorted_col_idx.reshape(n, n, 2)
# 2. 批量更新t
t[:, 2:] = lookup[t[:, 0], t[:, 1], :]

该方案内存占用极低,n值越大加速效果越明显,运行后t的结果完全符合需求。

内容的提问来源于stack exchange,提问作者user109387

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.16 07:45:11