如何为NumPy ndarray应用向量化函数？——以黑白RGB图像转布尔数组为例

嘿，我懂你想搞明白np.vectorize里signature参数的正确用法，虽然你已经知道更高效的实现方式，但既然是想学习这个函数的用法，咱们一步步来理清楚。

首先，先说说你之前的代码为什么行不通：

• 你写的lambda t: t[0] == 255只检查了第一个通道，但更关键的是，默认情况下np.vectorize会把数组拆成单个元素逐个传入函数——它会把你的(250,250,3)数组拆成2502503个单独的数值，你的lambda拿到的不是每个像素的RGB三元组，而是单个0-255的数，这时候t[0]自然会报错，因为单个数值没有索引。

那signature参数就是用来解决这个问题的：它告诉np.vectorize，你的函数接收的输入是什么形状，输出是什么形状。针对你的场景，每个输入是长度为3的一维数组（对应一个像素的RGB值），输出是一个布尔标量，所以我们需要把signature设为'(n)->()'：

• (n)表示输入是任意长度n的一维数组（这里n=3）
• ->()表示输出是一个标量

接下来是修正后的完整代码：

import numpy as np

# 假设data是你的(250,250,3)数组
data = np.random.randint(0, 256, (250,250,3))

# 定义检查RGB是否全为255的函数
is_white = lambda rgb: np.all(rgb == 255)

# 使用signature参数指定输入输出形状
vfunc = np.vectorize(is_white, signature='(n)->()')

# 处理后得到(250,250)的布尔数组
result = vfunc(data)

# 验证形状
print(result.shape)  # 输出 (250, 250)

这里需要补充一点：np.vectorize本质上是一个循环的包装器，性能远不如你提到的np.all(data == 255, axis=2)，后者是真正的向量化操作，速度快很多。但既然是学习signature的用法，这个例子刚好能帮你理解它的作用——当你需要处理数组中的“子数组”而不是单个元素时，signature就派上用场了。

另外，如果你想输出0/1而不是布尔值，可以把lambda改成lambda rgb: 1 if np.all(rgb ==255) else 0，或者直接对结果用result.astype(int)转换。

内容的提问来源于stack exchange，提问作者akasolace