假设你的原始代码是这样的：

import numpy as np

M = np.random.random((20, 30))

new_M = M.copy()
for i in range(1, M.shape[0]): # First row unaffected
    for j in range(M.shape[1]):
        new_M[i, j] = M[i, j] + min(M[i - 1][max(0, j - 1) : j + 2])

一个矢量化的等价物是：

from numpy.lib.stride_tricks import sliding_window_view

new_M = M
new_M[1:] = (
    new_M[1:]
    + sliding_window_view(
        np.pad(M, ((0, 0), (1, 1)), "constant", constant_values=np.inf)[:-1, :], (1, 3)
    )
    .min(-1)
    .squeeze()
)

让我们把它分解。我们在这里做的是：

• 用np.pad(M, ((0, 0), (1, 1)), "constant", constant_values=np.inf)中的np.inf填充M的左侧和右侧，因此min操作仍然在边缘上工作。
• 使用[:-1, :]删除最后一行，这在公式中没有使用。
• sliding_window_view(M_pad[:-1, :], (1, 3))创建一个形状为(*M_pad.shape, 1, 3)的数组，其中最后一个维度中的3个元素是用于每个min的3个元素。

最后，我们取最小值，压缩结果，使其与M的形状相同，但最后一行缺失，并将其添加到M[1:]，因为第一行不受影响。