如何以向量化方式对Python NumPy数组进行重映射？

核心方案 #

直接利用NumPy的高级索引能力，就能实现无迭代的快速数据迁移，彻底替代低效的for循环。针对你提到的图像重映射场景，这是最简洁且高效的原生实现方式。

具体实现步骤 #

假设：

• A 是原始RGB图像，形状为 (height, width, 3)
• original_positions 是原始像素的坐标数组，形状为 (N, 2)（对应你示例中的pixels）
• target_positions 是计算后的目标坐标数组（对应你示例中的result.T，需先转为合法整数索引）

1. 预处理坐标索引 #

先确保目标坐标是合法的整数类型，且在结果数组C的边界范围内：

# 对目标坐标取整并转为整数类型
target_positions = np.round(result.T).astype(np.int32)
# 过滤超出C边界的坐标（避免索引越界报错）
valid_mask = (target_positions[:, 0] >= 0) & (target_positions[:, 0] < C.shape[0]) & \
             (target_positions[:, 1] >= 0) & (target_positions[:, 1] < C.shape[1])
original_pos_valid = original_positions[valid_mask]
target_pos_valid = target_positions[valid_mask]

2. 批量完成数据迁移 #

通过高级索引直接批量赋值，一步完成数据从A到C的位置映射：

# 初始化结果数组C（用全0填充，或根据需求初始化）
C = np.zeros_like(A)
# 核心操作：将A中原始位置的像素，直接赋值到C的目标位置
C[target_pos_valid[:, 0], target_pos_valid[:, 1]] = A[original_pos_valid[:, 0], original_pos_valid[:, 1]]

关于np.roll的说明 #

np.roll仅支持全局固定偏移的循环移位，无法处理你这种每个元素有独立目标位置的自定义重映射场景，因此不适用。

进阶优化（处理像素重叠） #

如果旋转后出现多个原始像素映射到同一目标位置的情况，可以用np.add.at实现累加式赋值，处理像素混合：

C = np.zeros_like(A)
# 累加重叠像素的数值
np.add.at(C, (target_pos_valid[:, 0], target_pos_valid[:, 1]), 
          A[original_pos_valid[:, 0], original_pos_valid[:, 1]])

内容的提问来源于stack exchange，提问作者Nevermnd