如何利用布尔掩码实现向量化方案，在大型二维NumPy数组中替换多组重复模式为更小的二维NumPy数组

针对你需要处理百万行规模NumPy数组、批量替换连续重复行模式的需求，我整理了一套完全向量化的解决方案——全程依赖NumPy的C级运算，几乎没有Python层面的循环，能把性能损耗降到最低：

完整实现代码 #

import numpy as np

# 定义你的输入数组和替换模式
largeArr = np.array([
 [0, 1, 1],
 [0, 1, 1],
 [0, 1, 1],
 [0, 0, 0],
 [0, 0, 0],
 [0, 0, 0],
 [0, 1, 1],
 [0, 1, 1],
 [0, 1, 1],
 [0, 0, 0],
 [0, 0, 0],
 [3, 2, 0],
 [3, 2, 0],
 [3, 2, 0],
 [3, 2, 0],
 [0, 0, 0],
 [0, 0, 0],
 [3, 2, 0],
 [3, 2, 0],
 [3, 2, 0],
 [3, 2, 0],
 [0, 0, 0]
])

pattern1 = np.array([
 [0, 2, 1],
 [0, 2, 2],
 [0, 2, 3]
])
target1 = np.array([0, 1, 1])

pattern2 = np.array([
 [5, 2, 1],
 [5, 3, 2],
 [5, 4, 3],
 [5, 5, 4]
])
target2 = np.array([3, 2, 0])

def replace_consecutive_pattern(large_arr, target_row, replacement):
    # 第一步：标记每行是否完全匹配目标行
    row_matches = (large_arr == target_row).all(axis=1)
    n_replace_rows = replacement.shape[0]
    
    if n_replace_rows == 0:
        return large_arr
    
    # 第二步：用滑动窗口检测连续n_replace_rows个匹配行的起始位置
    # sliding_window_view创建原数组的视图，不复制数据，内存开销极小
    window_matches = np.lib.stride_tricks.sliding_window_view(row_matches, n_replace_rows).all(axis=1)
    
    # 获取所有符合条件的起始索引
    start_indices = np.where(window_matches)[0]
    
    # 可选：如果需要避免重叠替换（比如连续6行目标行只替换前3和后3，不重复替换中间）
    # 取消下面注释即可
    # if len(start_indices) > 0:
    #     keep = np.concatenate([[True], start_indices[1:] >= start_indices[:-1] + n_replace_rows])
    #     start_indices = start_indices[keep]
    
    # 第三步：批量替换对应区域
    for idx in start_indices:
        large_arr[idx:idx+n_replace_rows] = replacement
    
    return large_arr

# 依次应用替换规则（顺序会影响结果，按你的需求顺序执行）
result = replace_consecutive_pattern(largeArr.copy(), target1, pattern1)
result = replace_consecutive_pattern(result, target2, pattern2)

# 验证结果是否符合预期
expected = np.array([
 [0, 2, 1], [0, 2, 2], [0, 2, 3],
 [0, 0, 0], [0, 0, 0], [0, 0, 0],
 [0, 2, 1], [0, 2, 2], [0, 2, 3],
 [0, 0, 0], [0, 0, 0],
 [5, 2, 1], [5, 3, 2], [5, 4, 3], [5, 5, 4],
 [0, 0, 0], [0, 0, 0],
 [5, 2, 1], [5, 3, 2], [5, 4, 3], [5, 5, 4],
 [0, 0, 0]
])

print(np.array_equal(result, expected))  # 输出 True

核心逻辑拆解 #

1. 行匹配掩码：(large_arr == target_row).all(axis=1)生成布尔数组，快速标记每一行是否和目标行完全一致——这一步是向量化的，处理百万行也能瞬间完成。
2. 滑动窗口检测连续匹配：np.lib.stride_tricks.sliding_window_view创建窗口大小等于替换模式行数的滑动视图，然后检查每个窗口内是否全为True，精准定位连续重复目标行的起始位置。
3. 批量赋值替换：直接通过NumPy切片赋值，把替换模式写入对应区域——切片赋值是底层优化的操作，比逐行循环快几个数量级。

性能优化点 #

• 全程使用NumPy内置的向量化操作，避免Python循环的开销。
• sliding_window_view不复制原数组，只创建视图，内存占用极低，适合超大型数组。
• 如果需要处理多组替换规则，只需按顺序调用函数即可，每一步都是独立的向量化操作。

可选调整：避免重叠替换 #

如果你的数组中存在连续超过N次的目标行（比如连续6行[0,1,1]），默认代码会替换成两个独立的pattern1（0-2行和3-5行）。如果想避免这种重叠检测（比如只替换0-2行，跳过3-5行），可以取消函数中对应注释的代码，过滤掉间隔小于替换行数的起始索引。

内容的提问来源于stack exchange，提问作者Craig Nathan