优化多维矩阵数据的二维区间划分计算效率

原代码用四层循环逐个处理四维矩阵的每个元素，每次单独调用histcounts2，完全没利用MATLAB的向量化计算优势，速度自然慢得离谱。下面是针对性的优化方案：

核心思路 #

先批量计算所有坐标点对应的网格位置索引，再通过索引直接把data的值映射到目标数组的对应位置，全程避免循环。

优化代码 #

clc;clear
rng("default")
data = randi([0, 100], 40,30,20, 10);
data_X = randi([0, 100], 40,30,20, 10);
data_Y = randi([0, 100], 40,30,20, 10);

% 定义网格边界
edge_X = 0:10:100;
edge_Y = 0:20:100;

% 批量获取所有点的网格索引（binX对应edge_X的区间，binY对应edge_Y的区间）
[~, ~, binX, binY] = histcounts2(data_X, data_Y, edge_X, edge_Y);

% 获取网格的维度
num_binX = length(edge_X) - 1;
num_binY = length(edge_Y) - 1;

% 初始化目标数组，维度是原四维 + 网格的二维
data_class = zeros([size(data), num_binX, num_binY]);

% 将四维索引展开为一维，方便构造线性索引
[data_ix, data_iy, data_ii, data_ij] = ind2sub(size(data), 1:numel(data));

% 构造data_class的线性索引，一次性赋值
idx = sub2ind(size(data_class), data_ix, data_iy, data_ii, data_ij, binX(:), binY(:));
data_class(idx) = data(:);

代码解释 #

• histcounts2的输出参数binX和binY直接给出每个(data_X, data_Y)点落在edge_X/edge_Y的第几个区间，全程批量计算，比循环快几个数量级
• 用ind2sub和sub2ind处理多维索引的转换，把四维的位置和网格的二维位置组合成目标数组的线性索引，一次性完成赋值，彻底消除循环开销

内容的提问来源于stack exchange，提问作者greenasds