是否有可能提高 np.irr 函数的性能，使其可以在不使用 for 循环的情况下应用于二维现金流数组 - 通过向量化 np.irr 函数或通过替代算法？
numpy 库中的 irr 函数计算周期性复合回报率，为现金流数组提供 0 的净现值。该函数只能应用于一维数组：
x = np.array([-100,50,50,50])
r = np.irr(x)
np.irr 不适用于二维现金流数组，例如：
cfs = np.zeros((10000,4))
cfs[:,0] = -100
cfs[:,1:] = 50
其中每行代表一系列现金流，列代表时间段。因此，缓慢的实现是循环每一行并将 np.irr 应用于各个行：
out = []
for x in cfs:
out.append(np.irr(x))
对于大型数组，这是一个优化障碍。查看 np.irr 函数的源代码，我认为主要障碍是向量化 np.roots 函数：
def irr(values):
res = np.roots(values[::-1])
mask = (res.imag == 0) & (res.real > 0)
if res.size == 0:
return np.nan
res = res[mask].real
# NPV(rate) = 0 can have more than one …