如何高效实现基于numpy ndarray的元素级条件替换？（图像背景减除场景）

当然有超高效的实现方法！Numpy的核心优势就是向量化操作，完全不用写低效的Python循环，处理图像这种大尺寸数组的时候速度快到飞起，完美匹配你背景减除的需求。

核心实现方案：布尔索引/np.where向量化操作 #

先看最直观的写法，用布尔掩码定位需要替换的位置：

import numpy as np

# 把原始列表转成numpy ndarray（原问题里的A、B是普通列表，需要先转成数组才能用Numpy的特性）
A = np.array([[12, 25, 6], [28, 52, 74]])
B = np.array([[100, 2, 4], [2, 12, 14]])

# 先复制A，避免修改原数组（如果不需要保留原A，可以跳过copy直接操作）
C = A.copy()
# 直接用布尔条件定位：把B中<=5的位置对应的C元素设为0
C[B <= 5] = 0

运行后C就是你要的预期结果：array([[12, 0, 0], [ 0, 52, 74]])

如果想更简洁，一行生成新数组，用np.where更方便：

C = np.where(B <= 5, 0, A)

这个方法逻辑清晰：满足B<=5的位置填0，否则填A对应位置的值，直接返回新数组，不用手动复制。

为什么这方法高效？ #

Numpy的向量化操作是在底层用C实现的，完全避开了Python解释器的循环开销。对于图像这种动辄百万级像素的大数组，这种方法比逐像素循环快几十甚至上百倍——这也是Numpy成为图像处理领域标配工具的原因。

对应你的图像背景减除场景 #

在背景减除中，B数组其实就是你的背景掩码：比如通过帧差法、MOG2等算法得到的背景区域标记，值小的区域代表是背景。用上面的方法，就能一键把所有背景区域对应的图像像素（A是原图像数组）置为黑色（0），完美适配实时或批量图像处理的需求。

内容的提问来源于stack exchange，提问作者tristan19954