如何优化Numpy数组中指定范围的随机赋值操作？

你的问题核心是避免Python层面的逐元素循环，改用NumPy的向量化操作来提升速度——列表推导式本质是Python级别的循环，对大数组效率极低。以下是高效实现方案：

实现思路 #

1. 先生成与输入数组同形状的、覆盖0值范围（20-120）的随机数组作为基础
2. 针对非0元素的位置，批量生成对应范围（160-250）的随机数并替换

优化代码 #

import numpy as np

# 确保输入为NumPy数组（如果原输入是列表，先转成数组）
binary_image = np.array(binary_image)

# 生成基础随机数组：所有元素初始为20-120的随机uint8整数
range_image = np.random.randint(20, 121, size=binary_image.shape, dtype=np.uint8)

# 筛选出非0元素的位置掩码
non_zero_mask = binary_image != 0

# 为非0位置批量生成160-250的随机数并替换
range_image[non_zero_mask] = np.random.randint(160, 251, size=np.count_nonzero(non_zero_mask), dtype=np.uint8)

为什么更快？ #

• NumPy的randint是向量化生成随机数，直接在C底层完成数组级操作，避免了Python循环的额外开销
• 仅需两次随机数生成（一次全数组、一次非0元素数量），远少于列表推导式中逐元素调用randint的次数

示例验证（1D数组） #

输入：

input_arr = np.array([0,0,0,1,1,0,1])

运行代码后可得到类似输出：

array([ 27,  98,  63, 185, 210,  41, 172], dtype=uint8)

内容的提问来源于stack exchange，提问作者isaac.af95