如何快速将150528维像素向量归一化至0-26区间？

你的代码速度慢的核心原因有两个：

• 循环中重复计算min(a)和max(a)，每次调用都会遍历整个15万元素的数组，1000次循环就会重复遍历1000次，这是性能灾难
• Python原生循环遍历numpy数组的效率极低，远不如numpy内置的向量化运算

优化方案：用numpy向量化运算替代循环 #

直接利用numpy的广播机制一次性处理整个数组，同时只计算一次全局的最小值和最大值：

import numpy as np

# 提前计算全局min和max（仅计算一次，numpy内置方法是C实现，速度极快）
a_min = a.min()
a_max = a.max()

# 处理边界情况：如果所有像素值相同，避免除以0
if a_max == a_min:
    # 可以根据需求设为0-26区间内的任意值，这里取中间值13
    normalized = np.full_like(a, 13, dtype=np.float32)
else:
    # 向量化运算，一次性完成整个数组的归一化
    normalized = (a - a_min) / (a_max - a_min) * 26

# 如果需要转成Python列表，直接调用tolist()即可
normalized_list = normalized.tolist()

额外优化建议 #

因为原数组是np.uint8类型（0-255的整数），如果需要更精确的浮点运算，可以先转成float32类型再处理：

a_float = a.astype(np.float32)
a_min = a_float.min()
a_max = a_float.max()

if a_max == a_min:
    normalized = np.full_like(a_float, 13, dtype=np.float32)
else:
    normalized = (a_float - a_min) / (a_max - a_min) * 26

这种方法处理15万像素的数组只需要几毫秒，完全解决你遇到的速度问题。

内容的提问来源于stack exchange，提问作者Emir Kutsal