编写以下内容的最快方法
Fastest way to write the following
我在 python 中执行以下操作：
tmp = np.empty_like(J,dtype=X.dtype)
for idx, (ii, jj) in enumerate(zip(I, J)):
tmp[idx] = sum((X[ii] - X[jj])**2)
其中 X 是一个 50000 x 128 的 numpy 数组
I 和 J 是整数 numpy 数组，大小为 (763690,)（稀疏矩阵的列和行）
现在的问题是，上述操作大约需要 30 秒才能完成，我看不出需要做什么来加快速度。我知道它可以更快地完成，因为我在 Matlab 中有一个类似的代码，它几乎不需要任何时间。
我在这里做错了什么？
是否与内存步幅访问有关？不使用内置函数？或者是其他东西？我应该parallelize/vectorize吗？
（我知道标题很烂，但一直想不出好的写法，欢迎指教！）
我们可以这样做：
np.sum((X[I]-X[J])**2, axis=1)
因此我们首先使用下标生成一个 763 690×128 矩阵 X[I] 其中对于 I 中的每个项目我们使用相应的行X。 X[j] 也是如此。然后我们将两者相减，得到一个763 690×128的矩阵。我们可以按元素对项目进行平方，然后计算第一个轴上的总和。因此，这意味着对于每一行，我们都会获得一个值。因此，结果是一个 flat 数组，其中包含 763 690 个元素。
Willems 方法太棒了！
np.sum((X[I]-X[J])**2, axis=1)
运行时间从~30s到~0.6s，非常感谢:)
我在 python 中执行以下操作：
tmp = np.empty_like(J,dtype=X.dtype)
for idx, (ii, jj) in enumerate(zip(I, J)):
tmp[idx] = sum((X[ii] - X[jj])**2)
其中 X 是一个 50000 x 128 的 numpy 数组 I 和 J 是整数 numpy 数组，大小为 (763690,)（稀疏矩阵的列和行）
现在的问题是，上述操作大约需要 30 秒才能完成，我看不出需要做什么来加快速度。我知道它可以更快地完成，因为我在 Matlab 中有一个类似的代码，它几乎不需要任何时间。
我在这里做错了什么？ 是否与内存步幅访问有关？不使用内置函数？或者是其他东西？我应该parallelize/vectorize吗？
（我知道标题很烂，但一直想不出好的写法，欢迎指教！）
我们可以这样做：
np.sum((X[I]-X[J])**2, axis=1)
因此我们首先使用下标生成一个 763 690×128 矩阵 X[I] 其中对于 I 中的每个项目我们使用相应的行X。 X[j] 也是如此。然后我们将两者相减，得到一个763 690×128的矩阵。我们可以按元素对项目进行平方，然后计算第一个轴上的总和。因此，这意味着对于每一行，我们都会获得一个值。因此，结果是一个 flat 数组，其中包含 763 690 个元素。
Willems 方法太棒了！
np.sum((X[I]-X[J])**2, axis=1)
运行时间从~30s到~0.6s，非常感谢:)