如何高效按特征大小标记二维布尔Numpy数组中的特征？

直接利用numpy的向量化操作替代循环，能大幅提升速度，具体步骤如下：

1. 先用scipy.ndimage.label完成特征标记，得到标记数组labels：

import numpy as np
from scipy.ndimage import label

# 示例布尔数组
mask = np.random.rand(40, 80) > 0.5
labels, _ = label(mask)

2. 用np.bincount统计每个标记对应的像素数量，再通过索引直接替换标记值：

# 统计所有标记的像素数（包括背景0）
feature_counts = np.bincount(labels.ravel())
# 直接将标记数组替换为对应特征的像素数
size_labeled = feature_counts[labels]

3. （可选）如果需要让背景（原标记0的区域）保持0，而非背景像素的总数，只需额外处理：

size_labeled[labels == 0] = 0

为什么这个方法快？ #

np.bincount是numpy底层优化的向量化操作，完全绕过了Python层的循环，能把耗时降到原循环方法的几百分之一甚至更低，尤其适合大尺寸数组的处理。

内容的提问来源于stack exchange，提问作者zabop