如何高效地在多维NumPy数组上应用np.linspace

我有一个尺寸为(1200,2600,200)的多维NumPy数组。每个位置i, j都有一组随位置变化的无序数据。我需要生成一个尺寸为(1200,2600,200)的数组，其中每个i,j位置包含200个从0.1到对应位置最大值的等间距数值。

当前实现代码如下：

x = np.empty(shape=(array.shape[0],array.shape[1],200))

def compiler(i, j):
    x[i, j] = np.linspace(0.1, np.max(array[i, j]), 200)
[[compiler(i, j) for i in range(array.shape[0])] for j in range(array.shape[1])]

考虑到NumPy的性能优势，嵌套列表推导式的效率可能较低，请问有没有更高效的实现方式？

补充说明：每个i,j位置期望通过np.linspace得到的结果示例（最终数组尺寸需为(1200,2600,200)）：

[ 0.1         0.31248513  0.52497025  0.73745538  0.94994051  1.16242564
  1.37491076  1.58739589  1.79988102  2.01236615  2.22485127  2.4373364
  ...（省略中间值）
  51.09643055 51.30891567 51.5214008  51.73388593 51.94637106 52.15885618
  52.37134131 52.58382644 52.79631156 53.00879669]

高效实现方案 #

直接用NumPy的向量化操作和广播机制替代循环，能彻底发挥NumPy的性能优势，实现方式有两种：

方法一：手动计算广播 #

• 第一步：一次性计算每个(i,j)位置的最大值，得到(1200,2600)的二维数组：

  max_vals = np.max(array, axis=2)
  

• 第二步：生成0到1的200个等间距基准值：

  norm_steps = np.linspace(0, 1, 200)
  

• 第三步：通过维度扩展和广播计算目标数组：

  # 扩展max_vals维度为(1200,2600,1)，匹配广播要求
  max_vals_expanded = max_vals[..., np.newaxis]
  # 计算每个位置的等间距序列：0.1 + (最大值-0.1)*基准值
  x = 0.1 + (max_vals_expanded - 0.1) * norm_steps
  

方法二：利用np.linspace的向量化能力（NumPy 1.16+） #

NumPy 1.16及以上版本支持linspace接收数组作为起点/终点，直接指定axis参数即可生成目标数组：

max_vals = np.max(array, axis=2)
# 扩展维度后作为linspace的终点，axis=2表示在第三个维度生成等间距值
x = np.linspace(0.1, max_vals[..., np.newaxis], 200, axis=2)

优势说明 #

这两种方式都完全避免了Python层面的循环，所有计算都在NumPy的底层C实现中完成，对于(1200,2600)的大规模数据，性能比原有的嵌套列表推导式提升至少一个数量级。生成的x数组尺寸为(1200,2600,200)，每个位置的序列完全符合预期：起点0.1，终点对应位置的最大值，包含200个等间距数值。

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