基于Numpy的快速索引优化问询：像素数组过滤提速方法

嘿，你说得太对啦！这种逐点循环的方式在处理numpy数组的时候确实效率很低——毕竟numpy的核心优势就是向量化操作，完全可以帮你把速度拉满，还能让代码更简洁。

直接向量化生成occ数组 #

你原来的循环是逐个检查每个像素点在mask中的值，然后给occ赋值。其实numpy支持直接用数组索引批量取出所有对应位置的值，一行代码就能搞定：

# 直接提取mask中对应坐标的值，转成int和原逻辑一致
occ = mask[img_pts[:, 1], img_pts[:, 0]].astype(np.int32)

解释一下：

• img_pts[:, 1]是所有点的y坐标（对应mask的第一个维度）
• img_pts[:, 0]是所有点的x坐标（对应mask的第二个维度）
• numpy会自动把这两个数组作为索引，一次性取出所有对应位置的mask值，完全跳过Python层面的循环，底层用C实现计算，速度提升非常明显（尤其是当img_pts的数量很大时，比如几万甚至几十万点，差距会达到几十上百倍）。

如果需要直接过滤像素索引 #

要是你的最终目标是筛选出mask值为1的像素点，甚至不需要生成occ数组，可以直接一步到位：

# 筛选出mask中值为1的像素索引
filtered_pts = img_pts[mask[img_pts[:, 1], img_pts[:, 0]] == 1]

这样直接得到过滤后的像素数组，代码更简洁，效率也更高。

小提示 #

以后处理numpy数组的时候，尽量避免用Python的for循环遍历元素——numpy的向量化API（比如索引、广播、通用函数）几乎都能替代循环，而且性能碾压。你可以用timeit模块对比一下两种方法的速度，直观感受差异~

内容的提问来源于stack exchange，提问作者oezguensi