如何在Python中基于行列映射键快速聚合高分辨率数组至粗分辨率数组？

针对你遇到的基于行列映射键的数组聚合问题，暴力循环在大数据量下效率极低，这里提供两种矢量化的高效解决方案，完全避免显式循环：

方法一：使用numpy原生函数（无需额外依赖） #

核心思路是将二维的行列映射转换为一维的唯一组索引，利用np.bincount同时计算每个组的总和与元素数量，最后得到均值：

import numpy as np

# 示例数据
FIN = np.array([[44., 92., 65., 38., 44., 53.],
                [ 3., 24., 33., 60., 74., 55.],
                [89.,  1.,  9., 16., 79., 22.],
                [55., 69., 37., 97., 55., 89.],
                [ 4., 35., 81., 81.,  2., 20.],
                [63.,  6., 16., 59., 14., 37.]])

ROWS = np.array([[0, 0, 0, 0, 1, 1],
                 [0, 0, 0, 0, 1, 1],
                 [1, 1, 1, 1, 1, 1],
                 [1, 1, 1, 1, 1, 1],
                 [2, 2, 2, 2, 2, 2],
                 [2, 2, 2, 2, 2, 2]])

COLS = np.array([[0, 0, 1, 1, 2, 2],
                [0, 0, 1, 1, 2, 2],
                [0, 0, 1, 1, 2, 2],
                [0, 0, 1, 1, 2, 2],
                [1, 1, 1, 1, 2, 2],
                [1, 1, 1, 1, 2, 2]])

# 1. 将二维行列映射转换为一维唯一索引
coarse_shape = (3, 3)
group_indices = np.ravel_multi_index((ROWS, COLS), coarse_shape)

# 2. 用bincount计算每个组的总和与元素数量
sum_vals = np.bincount(group_indices.ravel(), weights=FIN.ravel())
count_vals = np.bincount(group_indices.ravel())

# 3. 计算均值并重塑为粗分辨率形状
COR = (sum_vals / count_vals).reshape(coarse_shape)

print(COR)

输出结果：

[[35.75       54.         61.5       ]
 [37.83333333 37.25       59.8       ]
 [27.16666667 27.16666667 23.        ]]

方法二：使用scipy.ndimage（适合复杂聚合需求） #

如果需要扩展到求和、最大值等其他聚合操作，scipy.ndimage模块的对应函数会更简洁：

from scipy import ndimage

# 构造唯一标签
group_indices = np.ravel_multi_index((ROWS, COLS), coarse_shape)

# 直接计算每个标签对应的均值
COR = ndimage.mean(FIN, labels=group_indices, index=np.arange(coarse_shape[0]*coarse_shape[1]))
COR = COR.reshape(coarse_shape)

print(COR)

核心优势 #

• 无显式循环：依托numpy/scipy的底层C实现，效率远超Python层面的嵌套循环
• 通用性强：方法一可扩展到加权平均、求和等操作；方法二支持ndimage.sum、ndimage.max等多种聚合函数
• 代码简洁：逻辑清晰，无需冗余的循环判断

内容的提问来源于stack exchange，提问作者newbieee