我正在执行下面包含的 python 中的嵌套循环。这是搜索现有金融时间序列并在时间序列中寻找符合某些特征的时期的基本方法。

在这种情况下，有两个独立的、大小相等的数组，分别代表“收盘价”(即 Assets 的价格)和“交易量”(即在此期间交换的 Assets 数量)。对于每个时间段，我想期待所有 future 的时间间隔，长度在 1 到 INTERVAL_LENGTH 之间，看看这些时间间隔是否具有与我的搜索相匹配的特征(在这种情况下，收盘价的比率值大于 1.0001 且小于 1.5 且总体积大于 100)。

我的理解是，使用 NumPy 时加速的主要原因之一是解释器不需要在每次计算时都对操作数进行类型检查，只要您对整个数组进行操作(例如 numpy_array * 2)，但显然下面的代码没有利用它。

有没有办法用某种窗口函数替换内部循环，这可能会导致加速，或者使用 numpy/scipy 来加速这个在原生 python 中大幅提升？

或者，一般情况下是否有更好的方法来执行此操作(例如，用 C++ 编写此循环并使用 weave 会更快吗)？

ARRAY_LENGTH = 500000
INTERVAL_LENGTH = 15
close = np.array( xrange(ARRAY_LENGTH) )
volume = np.array( xrange(ARRAY_LENGTH) )
close, volume = close.astype('float64'), volume.astype('float64')

results = []
for i in xrange(len(close) - INTERVAL_LENGTH):
    for j in xrange(i+1, i+INTERVAL_LENGTH):
        ret = close[j] / close[i]
        vol = sum( volume[i+1:j+1] )
        if ret > 1.0001 and ret < 1.5 and vol > 100:
            results.append( [i, j, ret, vol] )
print results

最佳答案

更新:“new_function2”中的(几乎)完全矢量化版本...

稍后我会添加评论来解释事情。

它提供了大约 50 倍的加速，如果您认为输出是 numpy 数组而不是列表，则可以实现更大的加速。原样:

In [86]: %timeit new_function2(close, volume, INTERVAL_LENGTH)
1 loops, best of 3: 1.15 s per loop

您可以通过调用 np.cumsum() 来替换内部循环...请参阅下面我的“new_function”函数。这提供了相当大的加速...

In [61]: %timeit new_function(close, volume, INTERVAL_LENGTH)
1 loops, best of 3: 15.7 s per loop

对比

In [62]: %timeit old_function(close, volume, INTERVAL_LENGTH)
1 loops, best of 3: 53.1 s per loop

应该可以对整个事物进行矢量化并完全避免 for 循环，但是......给我一分钟，我会看看我能做些什么......

import numpy as np

ARRAY_LENGTH = 500000
INTERVAL_LENGTH = 15
close = np.arange(ARRAY_LENGTH, dtype=np.float)
volume = np.arange(ARRAY_LENGTH, dtype=np.float)

def old_function(close, volume, INTERVAL_LENGTH):
    results = []
    for i in xrange(len(close) - INTERVAL_LENGTH):
        for j in xrange(i+1, i+INTERVAL_LENGTH):
            ret = close[j] / close[i]
            vol = sum( volume[i+1:j+1] )
            if (ret > 1.0001) and (ret < 1.5) and (vol > 100):
                results.append( (i, j, ret, vol) )
    return results


def new_function(close, volume, INTERVAL_LENGTH):
    results = []
    for i in xrange(close.size - INTERVAL_LENGTH):
        vol = volume[i+1:i+INTERVAL_LENGTH].cumsum()
        ret = close[i+1:i+INTERVAL_LENGTH] / close[i]

        filter = (ret > 1.0001) & (ret < 1.5) & (vol > 100)
        j = np.arange(i+1, i+INTERVAL_LENGTH)[filter]

        tmp_results = zip(j.size * [i], j, ret[filter], vol[filter])
        results.extend(tmp_results)
    return results

def new_function2(close, volume, INTERVAL_LENGTH):
    vol, ret = [], []
    I, J = [], []
    for k in xrange(1, INTERVAL_LENGTH):
        start = k
        end = volume.size - INTERVAL_LENGTH + k
        vol.append(volume[start:end])
        ret.append(close[start:end])
        J.append(np.arange(start, end))
        I.append(np.arange(volume.size - INTERVAL_LENGTH))

    vol = np.vstack(vol)
    ret = np.vstack(ret)
    J = np.vstack(J)
    I = np.vstack(I)

    vol = vol.cumsum(axis=0)
    ret = ret / close[:-INTERVAL_LENGTH]

    filter = (ret > 1.0001) & (ret < 1.5) & (vol > 100)

    vol = vol[filter]
    ret = ret[filter]
    I = I[filter]
    J = J[filter]

    output = zip(I.flat,J.flat,ret.flat,vol.flat)
    return output

results = old_function(close, volume, INTERVAL_LENGTH)
results2 = new_function(close, volume, INTERVAL_LENGTH)
results3 = new_function(close, volume, INTERVAL_LENGTH)

# Using sets to compare, as the output 
# is in a different order than the original function
print set(results) == set(results2)
print set(results) == set(results3)

关于python - 如何加速嵌套循环？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/3065624/