如何高效计算Numpy网格点与8邻域的差值和均值？

存储方案选择 #

不用考虑nm×nm的冗余结构，推荐以下两种存储方式：

• 差值数据：用(n, m, 8)形状的Numpy数组，每个位置(i,j,k)对应第(i,j)个网格点与第k个方向邻域点的差值，完整保留所有计算结果且无冗余。
• 差值均值：用(n, m)形状的数组，存储每个网格点对应8个差值的平均值，满足轻量化统计需求。

高效实现代码 #

1. 忽略边界点（仅计算内部有效点） #

边缘点没有完整的8个邻域，可直接计算内部区域（行1到n-1、列1到m-1）：

import numpy as np

# 示例数组
arr = np.array([
    [1, 2, 1, 3, 5],
    [0, 4, 2, 4, 1],
    [1, 1, 1, 0, 2]
])
n, m = arr.shape

# 提取8个邻域的切片
neighbors = [
    arr[:-2, :-2],  # 左上
    arr[:-2, 1:-1], # 正上
    arr[:-2, 2:],   # 右上
    arr[1:-1, :-2], # 左
    arr[1:-1, 2:],  # 右
    arr[2:, :-2],   # 左下
    arr[2:, 1:-1],  # 正下
    arr[2:, 2:]     # 右下
]

# 计算每个内部点与8邻域的差值，结果形状为(n-2, m-2, 8)
diff = (arr[1:-1, 1:-1][None, ...] - np.array(neighbors)).transpose(1, 2, 0)
# 计算每个内部点的差值均值，结果形状为(n-2, m-2)
diff_mean = diff.mean(axis=2)

2. 包含边界点（填充处理） #

如果需要计算所有网格点的结果，先对原数组进行边界填充（示例用边缘值填充，也可选择0填充、镜像填充等）：

# 边缘值填充数组，边界扩展1层
padded_arr = np.pad(arr, pad_width=1, mode='edge')

# 提取填充后数组的8个邻域切片
neighbors_pad = [
    padded_arr[:-2, :-2],
    padded_arr[:-2, 1:-1],
    padded_arr[:-2, 2:],
    padded_arr[1:-1, :-2],
    padded_arr[1:-1, 2:],
    padded_arr[2:, :-2],
    padded_arr[2:, 1:-1],
    padded_arr[2:, 2:]
]

# 计算所有点的差值，结果形状为(n, m, 8)
diff_pad = (padded_arr[1:-1, 1:-1][None, ...] - np.array(neighbors_pad)).transpose(1, 2, 0)
# 计算所有点的差值均值，结果形状为(n, m)
diff_mean_pad = diff_pad.mean(axis=2)

效率说明 #

全程使用Numpy的切片与广播机制，完全规避Python循环，依赖底层C实现的向量运算处理，在大数组场景下效率远高于手动遍历。

内容的提问来源于stack exchange，提问作者Simon M