如何优化Numpy三维数组异常值相邻均值替换的效率？

问题分析 #

你的原函数运行慢的核心原因是使用Python三重嵌套循环——Python循环本身执行效率极低，处理大规模数组时性能劣势会被放大；同时原函数逻辑存在错误：遍历了所有层、行、列，但x[i]、y[j]的索引会出现越界问题，且做了大量无需处理的冗余操作。

优化思路 #

利用Numpy的向量化操作（底层基于C实现，执行效率远高于Python循环），直接针对筛选出的坏点索引批量处理，同时补充边界情况的处理（坏点位于行首/行尾时无对应上一行/下一行）。

优化代码 #

import numpy as np

# 复制原数组，避免修改原始数据
testarr = dark.copy()

# 获取坏点的三层索引：l为层索引，r为行索引，b为列索引
l, r, b = np.where(dark > 9000)

# 计算每个坏点的上一行、下一行索引
r_prev = r - 1
r_next = r + 1

# 标记上一行/下一行是否有效（不越界）
valid_prev = r_prev >= 0
valid_next = r_next < dark.shape[1]

# 初始化总和与计数，用于计算平均值
sum_vals = np.zeros_like(testarr[l, r, b])
count = np.zeros_like(sum_vals, dtype=np.int32)

# 累加有效上一行的值
sum_vals[valid_prev] += testarr[l[valid_prev], r_prev[valid_prev], b[valid_prev]]
count[valid_prev] += 1

# 累加有效下一行的值
sum_vals[valid_next] += testarr[l[valid_next], r_next[valid_next], b[valid_next]]
count[valid_next] += 1

# 用平均值替换坏点
testarr[l, r, b] = sum_vals / count

关键说明 #

1. 向量化优势：所有操作针对整个坏点索引数组批量执行，无Python循环，处理速度会提升数个数量级。
2. 边界处理：自动识别行首（r=0）和行尾（r=383）的坏点，仅取存在的相邻行数值计算平均值，避免索引越界错误。
3. 内存效率：直接在复制的数组上修改，无冗余计算与内存浪费。

内容的提问来源于stack exchange，提问作者russj