基于NumPy优化点云转体素网格的最大采样方法

当然可以用NumPy的矢量化操作替代慢得离谱的Python for循环，核心是用np.maximum.at方法——它专门用来对数组指定索引位置的元素，原地执行取最大值的更新操作，完美匹配你的需求。

方法一：按通道分别处理（简洁高效） #

这种方式只需要对3个通道做一次轻量循环（Python层仅循环3次，远低于百万级的逐点循环），其余运算都是NumPy内部的C级矢量化操作：

import numpy as np

N = 1000000
coords = np.random.randint(0, 256, size=(N, 3))
vals = np.random.rand(N, 3)

grid = np.zeros((3, 256, 256, 256), dtype=np.float16)

# 替代原for循环的矢量化实现
for c in range(3):
    # 对第c个通道，在coords对应的(x,y,z)位置取最大值
    np.maximum.at(grid[c], tuple(coords.T), vals[:, c])

方法二：单步跨通道处理（无Python循环） #

如果想彻底去掉Python层循环，可以构造跨通道的索引数组，一次性完成所有更新：

import numpy as np

N = 1000000
coords = np.random.randint(0, 256, size=(N, 3))
vals = np.random.rand(N, 3)

grid = np.zeros((3, 256, 256, 256), dtype=np.float16)

# 构造跨通道的索引数组
channels = np.tile(np.arange(3), N)  # 每个点对应3个通道，shape (3*N,)
x = np.repeat(coords[:, 0], 3)
y = np.repeat(coords[:, 1], 3)
z = np.repeat(coords[:, 2], 3)
vals_flat = vals.flatten()  # 把数值展平为一维，对应每个索引位置

# 一次性完成所有位置的最大值更新
np.maximum.at(grid, (channels, x, y, z), vals_flat)

为什么这两种方式更快？ #

原代码的for循环是Python层面逐点遍历，每一次循环都要做Python级别的变量解析、索引计算；而np.maximum.at是NumPy底层实现的矢量化操作，所有运算都在C级别完成，能充分利用CPU的并行优化，处理百万级数据的速度会提升几十甚至上百倍。

内容的提问来源于stack exchange，提问作者Layman