我正在使用一种算法，要求每个示例都具有一个矩阵，例如Xi，即ai x b，并且对于每个O(n^2)对示例，我要找到每行Xiu - Xjv之间的差，然后求和外部产品sum_u sum_v np.outer(Xiu - Xjv, Xiu - Xjv)。不幸的是，这个内部的双重和相当慢，并且导致运行时间在大型数据集上失控。现在，我只是使用for循环来执行此操作。有一些pythonic的方法可以加快此内部操作的速度吗？我一直在想一想，没有运气。需要说明的是，对于每个n示例，都有一个尺寸为Xi的矩阵ai x b，其中每个示例的ai不同。对于每对(Xi, Xj)，我想遍历两个矩阵之间的所有O(ai * bi)行对，找到Xiu - Xjv，将其外积与自身np.outer(Xiu - Xjv, Xiu - Xjv)取值，最后求和所有这些外积。例如：假设D为[[1,2],[3,4]]，我们正在为两个矩阵使用D。那么，第一步可能是np.outer(D[0] - D[1], D[0] - D[1])，这将是矩阵[4,4],[4,4]。简而言之，（0,0）和（1,1）只是0个矩阵，而（0,1）和（1,0）都是4个矩阵，因此，对的所有四个外积的最终总和为。 最佳答案 好的，这很有趣。我仍然不禁以为，只需对numpy.tensordot进行一次巧妙的调用就可以完成所有操作，但是无论如何，这似乎消除了所有Python级别的循环：import numpydef slow( a, b=None ): if b is None: b = a a = numpy.asmatrix( a ) b = numpy.asmatrix( b ) out = 0.0 for ai in a: for bj in b: dij = bj - ai out += numpy.outer( dij, dij ) return outdef opsum( a, b=None ): if b is None: b = a a = numpy.asmatrix( a ) b = numpy.asmatrix( b ) RA, CA = a.shape RB, CB = b.shape if CA != CB: raise ValueError( "input matrices should have the same number of columns" ) out = -numpy.outer( a.sum( axis=0 ), b.sum( axis=0 ) ); out += out.T out += RB * ( a.T * a ) out += RA * ( b.T * b ) return outdef test( a, b=None ): print( "ground truth:" ) print( slow( a, b ) ) print( "optimized:" ) print( opsum( a, b ) ) print( "max abs discrepancy:" ) print( numpy.abs( opsum( a, b ) - slow( a, b ) ).max() ) print( "" )# OP exampletest( [[1,2], [3,4]] )# non-symmetric examplea = [ [ 1, 2, 3 ], [-4, 5, 6 ], [7, -8, 9 ], [ 10, 11, -12 ] ]a = numpy.matrix( a, dtype=float )b = a[ ::2, ::-1 ] + 15test( a, b )# non-integer exampletest( numpy.random.randn( *a.shape ), numpy.random.randn( *b.shape ) )使用该示例输入（相当随意），opsum的计时（在IPython中使用timeit opsum(a,b)进行测量）看起来仅比slow好3-5倍。但是，当然它的伸缩性要好得多：将数据点的数量放大100倍，将功能点的数量放大10倍，然后我们已经在考虑将速度提高10,000倍。关于python - 使用NumPy的所有行对的快速差异，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/27627896/
