点云二维分箱取最小Z值问题求助（仅用NumPy/SciPy）

核心思路 #

通过排序+唯一值索引的方式实现高效分组筛选，利用NumPy底层优化操作避免Python循环，大幅提升处理速度。

高效实现代码 #

import numpy as np

# 示例点云数据
points_cloud = np.array([ 
[-2251.94719472, 1726.73267327,  4142.1],  
[-2251.94719472,  1726.73267327,  3000.2], 
[-2251.94719472 ,  1726.73267327,  1392.1], 
[ 1143.11620636,  -861.84471079,  100.12],  
[ 1143.11620636,  -861.84471079,  2076.89],  
[ 1143.11620636,  -861.84471079,  1800.11]])

# 提取XY坐标与Z值
xy_coords = points_cloud[:, :2]
z_values = points_cloud[:, 2]

# 生成排序索引：先按X、Y分组，同一分组内按Z值升序排列
# lexsort从最后一个参数开始排序，所以顺序是X→Y→Z
sort_indices = np.lexsort((z_values, xy_coords[:, 1], xy_coords[:, 0]))
sorted_points = points_cloud[sort_indices]
sorted_xy = sorted_points[:, :2]

# 获取每个唯一XY分组的首次出现索引（此时对应分组内Z最小的点）
_, unique_group_indices = np.unique(sorted_xy, axis=0, return_index=True)

# 提取最终结果
points_min_z = sorted_points[unique_group_indices]

print(points_min_z)

方法优势 #

1. 效率高：排序操作复杂度为O(n log n)，后续np.unique为线性时间，完全避免了原方案中Python循环生成掩码的O(n*m)低效操作，适合大规模点云数据。
2. 精度可靠：直接基于原始XY坐标分组，无需对坐标做离散化处理，完美匹配需求中"任意XY坐标分箱"的要求（解决了scipy.binned_statistic_2d仅支持整数分箱的问题）。

备选方案（适合小数据量） #

如果处理的点云规模较小，也可以通过分组标签+np.argmin实现，代码更直观但效率略低：

import numpy as np

points_cloud = np.array([ 
[-2251.94719472, 1726.73267327,  4142.1],  
[-2251.94719472,  1726.73267327,  3000.2], 
[-2251.94719472 ,  1726.73267327,  1392.1], 
[ 1143.11620636,  -861.84471079,  100.12],  
[ 1143.11620636,  -861.84471079,  2076.89],  
[ 1143.11620636,  -861.84471079,  1800.11]])

xy_coords = points_cloud[:, :2]
# 获取每个点对应的分组标签
_, group_labels = np.unique(xy_coords, axis=0, return_inverse=True)

# 遍历每个分组，筛选Z最小的点
points_min_z = []
for group_id in np.unique(group_labels):
    group_points = points_cloud[group_labels == group_id]
    # 找到Z值最小的点的索引
    min_z_idx = np.argmin(group_points[:, 2])
    points_min_z.append(group_points[min_z_idx])

points_min_z = np.array(points_min_z)
print(points_min_z)

内容的提问来源于stack exchange，提问作者Opacho And