NumPy 向量化加速：科学计算的高效之道

在 Python 科学计算中，向量化（Vectorization） 是利用 NumPy 的底层优化，通过数组操作替代显式循环的核心技术。其数学本质是将标量运算扩展为矩阵运算： $$ \mathbf{C} = f(\mathbf{A}, \mathbf{B}) \quad \text{代替} \quad c_i = f(a_i, b_i) $$ 其中 $\mathbf{A}, \mathbf{B}, \mathbf{C}$ 为 $n$ 维数组，$f$ 为运算函数。

⚡ 加速原理

1. 消除循环开销
   Python 循环需解释器逐行处理，而向量化调用编译后的 C/Fortran 代码
2. 内存连续访问
   NumPy 数组在内存中连续存储，减少缓存未命中
3. SIMD 并行
   CPU 单指令多数据流指令集同时处理多个数据

📊 性能对比实验

import numpy as np
import time

# 创建百万级数组
arr = np.random.rand(10**6)

# 循环版本
def sum_loop(arr):
    total = 0
    for x in arr:
        total += x
    return total

# 向量化版本
sum_vector = np.sum

# 计时测试
start = time.time()
sum_loop(arr)
print(f"循环耗时: {time.time()-start:.4f}s")

start = time.time()
sum_vector(arr)
print(f"向量化耗时: {time.time()-start:.6f}s")

典型输出结果：

循环耗时: 0.2153s
向量化耗时: 0.0008s

向量化速度提升 $ \approx 269 $ 倍！

🛠️ 实践技巧

1. 避免显式循环
   用 np.vectorize() 包装标量函数：

   def sigmoid(x): 
       return 1 / (1 + np.exp(-x))  # 自动广播到整个数组
   

2. 广播机制
   不同形状数组运算时自动扩展维度： $$ \begin{bmatrix} a \ b \ c \end{bmatrix} + \begin{bmatrix} x & y \end{bmatrix} = \begin{bmatrix} a+x & a+y \ b+x & b+y \ c+x & c+y \end{bmatrix} $$

3. UFunc 优先
   使用内置通用函数（如 np.sin(), np.log()）而非自定义函数

💡 应用场景

• 矩阵运算：$ \mathbf{C} = \mathbf{A} \times \mathbf{B} $
• 数值积分：$ \int_a^b f(x)dx \approx \sum_{i} f(x_i) \Delta x $
• 图像处理：像素级并行转换
• 机器学习：批量梯度下降计算

关键认知：向量化本质是 空间换时间 策略。通过内存预分配和连续操作，将时间复杂度从 $O(n)$ 降为 $O(1)$ 次底层调用，实现百倍加速！