向量化计算：摆脱缓慢的For循环

向量化计算：摆脱缓慢的For循环

小象量化极客小册 · 华尔街量化分析先锋系列

欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

小象量化极客小册 · 华尔街量化分析先锋系列 欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

💡 核心导读

本节将深入讲解NumPy的核心概念——向量化计算。通过学习，您将掌握：1）向量化与循环操作的性能差异原理；2）如何利用NumPy的通用函数(ufunc)实现高效运算；3) 广播机制的实际应用场景。重点包含数组的批量数学运算、逻辑操作和性能对比实验，帮助您彻底理解为什么向量化是科学计算的基石。

import numpy as np
import time
arr = np.random.rand(1000000)
lst = list(arr)

向量化基础概念

什么是向量化

向量化是指将标量运算转换为数组级操作的过程，其本质是利用CPU的SIMD（单指令多数据）指令并行处理数据。与Python原生循环相比，向量化操作：

传统循环流程：
for i in range(n):
    c[i] = a[i] + b[i]

向量化流程：
c = a + b  # 单条指令处理全部元素

性能对比实验

def python_loop():
    result = [x + x for x in lst]

def numpy_vectorized():
    result = arr + arr

start = time.time()
python_loop()
print(f"Python循环耗时: {time.time()-start:.5f}s")

start = time.time()
numpy_vectorized()
print(f"NumPy向量化耗时: {time.time()-start:.5f}s")

典型输出结果：

Python循环耗时: 0.12573s
NumPy向量化耗时: 0.00215s

💡 概念小测：点积运算

在计算一个投资组合的当日总收益时，我们有资产权重向量 W (shape 为 (4,)) 和各资产当日收益率向量 R (shape 为 (4,))。以下哪种计算方式最符合 NumPy 向量化的高效规范？

• 编写一个 loop 循环，逐个元素相乘后再用一个累加器相加。
• 使用 W * R，因为这会自动计算出组合的总收益数值。
• 使用 np.dot(W, R)，直接进行向量点积，计算出加权后的总收益率。
• 使用 np.sum(W) * np.sum(R)。

📝 选择题

💡 概念小测：点积运算 在计算一个投资组合的当日总收益时，我们有资产权重向量 W (shape 为 (4,)) 和各资产当日收益率向量 R (shape 为 (4,))。以下哪种计算方式最符合 NumPy 向量化的高效规范？

• A. 编写一个 loop 循环，逐个元素相乘后再用一个累加器相加。
• B. 使用 W * R，因为这会自动计算出组合的总收益数值。
• C. 使用 np.dot(W, R)，直接进行向量点积，计算出加权后的总收益率。
• D. 使用 np.sum(W) * np.sum(R)。

答案：C（使用 np.dot(W, R)，直接进行向量点积，计算出加权后的总收益率。）

核心操作实战

数学运算向量化

NumPy提供完整的数学函数库，所有操作都是自动向量化的：

arr = np.array([1, 4, 9, 16])

sqrt_arr = np.sqrt(arr)  # [1. 2. 3. 4.]

sin_arr = np.sin(arr * np.pi/180)  # 角度转弧度后计算

exp_arr = np.exp(arr)  # [2.71828183e+00, 5.45981500e+01, 8.10308393e+03, 8.88611052e+06]

逻辑运算向量化

a = np.array([1, 2, 3, 4])
b = np.array([4, 2, 2, 4])

print(a == b)  # [False  True False  True]
print(a > 2)   # [False False  True  True]

mask = (a > 2) & (b < 5)  # [False False  True  True]

广播机制实战

当数组形状不同时，NumPy会自动应用广播规则：

matrix = np.arange(12).reshape(3,4)
vector = np.array([10, 20, 30, 40])

"""
matrix形状: (3,4)   vector形状: (4,)
            ↓ 扩展维度
        (3,4) vs (1,4)
            ↓ 复制数据
        (3,4) vs (3,4)
"""
result = matrix + vector

输出结果：

[[10 21 32 43]
 [14 25 36 47]
 [18 29 40 51]]

💡 代码填空：矩阵乘法

补全代码，使用 NumPy 的矩阵乘法运算符（@）计算权重向量与收益率向量的点积：

import numpy as np

weights = np.array([0.4, 0.3, 0.2, 0.1])
returns = np.array([0.01, -0.02, 0.05, 0.03])
portfolio_return = weights {blank} returns
print(f"组合收益率: {portfolio_return:.4f}")

• *
• @
• &

✏️ 填空题

💡 代码填空：矩阵乘法 补全代码，使用 NumPy 的矩阵乘法运算符（@）计算权重向量与收益率向量的点积：

import numpy as np
weights = np.array([0.4, 0.3, 0.2, 0.1])
returns = np.array([0.01, -0.02, 0.05, 0.03])
# 使用 @ 符号进行向量/矩阵点积
portfolio_return = weights ___ returns
print(f"组合收益率: {portfolio_return:.4f}")

答案：@

本章小结

行动清单

• 创建两个100万元素的随机数组，分别用循环和向量化方式计算它们的欧氏距离，记录时间差异
• 利用广播机制实现一个3x3矩阵与1x3向量的乘法运算，观察自动扩展过程
• 对包含NaN值的数组实现向量化的缺失值填充（提示：使用np.isnan）

「小象量化教研组」