我正在重写分子动力学时间序列的分析代码。由于必须分析大量的时间步长（每次模拟运行 150,000 个），因此我的代码尽可能快非常重要。
旧代码非常慢（实际上它需要的时间是我的代码的 300 到 500 倍），因为它是为分析几千个 PDB 文件而编写的，而不是一堆充满不同模拟（大约 60 个），每个模拟都有 150 000 个时间步长。我知道在这种情况下，C 或 Fortran 将是瑞士军刀，但我对 c 的经验是......
因此，我正在尝试为我的 python 代码尽可能多地使用 numpy/scipy 例程。因为我有一个使用 mkl 加速分发 anaconda 的许可证，所以这是一个非常重要的加速。
现在我面临一个问题，我希望我能以一种你理解我的意思的方式来解释它。
我有三个数组，每个数组的形状为 （n， 3， 20）。第一行是我的肽的所有残余物，通常在23到31左右。第二行是按 xyz 顺序排列的坐标，第三行是一些特定的时间步长。
现在我正在计算每个时间步的每个残差的扭转。 我的形状为 （n，3,1） 的数组情况的代码是：
def fast_torsion(d1, d2, d3):
tt = dot(d1, np.cross(d2, d3))
tb = dot(d1, d1) * dot(d2, d2)
torsion = np.zeros([len(d1), 1])
for i in xrange(len(d1)):
if tb[i] != 0:
torsion[i] = tt[i]/tb[i]
return torsion
现在我尝试对具有扩展的第三轴的数组使用相同的代码，但与使用 for 循环的原始慢代码相比，交叉乘积函数产生了错误的值。我用我的大数组尝试了这段代码，它比 for 循环解决方案快大约 10 到 20 倍，比旧代码快大约 200 倍。
我正在尝试的是 np.cross（） 只计算第二个 （xyz） 轴上的交叉乘积，并在其他两个轴上迭代。在短第三轴的情况下，它工作正常，但对于大数组，它只能在第一个时间步长工作。我也尝试了轴设置，但我没有机会。
如果这是我问题的唯一解决方案，我也可以使用 Cython 或 numba。
附言对不起我的英语，我希望你能理解一切。
np.cross具有axisa、axisb和axisc关键字参数，用于选择输入和输出参数中要交叉乘法的向量的位置。我想你想使用：
np.cross(d2, d3, axisa=1, axisb=1, axisc=1)
如果不包括 axisc=1 ，乘法的结果将在输出数组的末尾。
此外，还可以通过执行以下操作来避免显式循环torsion数组：
torsion = np.zeros((len(d1), 1)
idx = (tb !=0)
torsion[idx] = tt[idx] / tb[idx]